論文の概要: Controlling Variability in~Neuroimaging Analysis Pipelines with~Software Product Lines
- arxiv url: http://arxiv.org/abs/2610.29821v1
- Date: Wed, 21 Oct 2026 14:46:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.385065
- Title: Controlling Variability in~Neuroimaging Analysis Pipelines with~Software Product Lines
- Title（参考訳）: ソフト製品ラインを用いたニューロイメージング解析パイプラインの変動制御
- Abstract要約: NARPS調査では,独立したチームによって設定されたさまざまなパイプラインから生まれる,大きな多様性を強調している。
同じタスクを実現するための異なる実装を持つことは、ソフトウェア製品ラインの典型的な遊び場です。
我々は、神経画像研究における一貫性向上のための有望な方向性として、SPL原則の概念的導入を提唱する。
- 参考スコア（独自算出の注目度）: 2.1942520761940028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is an acquisition technique used for medical diagnosis. It is notably used for structural and functional MRI (or fMRI) image analysis. MRI data is known to be complex and noisy, so pipelines are created to extract and enhance relevant information in retrieved images. The NARPS study highlighted the significant variability that can emerge from different pipelines set up by independent teams while trying to answer the same research question about brain functioning. Having different implementations realizing the same task is a typical playground for software product lines (SPLs), which may be out of the sight of neuroimage practitioners. Thus, proposing an SPL out of these different pipelines falls back on a typical reverse-engineering problem with its usual difficulties. In this document, we advocate for the conceptual adoption of SPL principles as a promising direction to improve reproducibility and consistency in neuroimaging research.
- Abstract（参考訳）: MRI(Magnetic resonance Imaging)は、医学的診断に用いられる画像診断技術である。
特に、構造的および機能的MRI(fMRI)画像解析に用いられている。
MRIデータは複雑でノイズが多いことが知られており、パイプラインは取得した画像の関連情報を抽出し、拡張するために作成される。
NARPSの調査では、独立したチームが設定したさまざまなパイプラインから、脳機能に関する同じ研究質問に答えようとすると、大きな多様性が強調された。
同じタスクを実現するための異なる実装を持つことは、ソフトウェア製品ライン(SPL)の典型的な遊び場である。
したがって、これらの異なるパイプラインからSPLを提案することは、通常の困難を伴う典型的なリバースエンジニアリングの問題に回帰する。
本稿では,神経画像研究における再現性と整合性を改善するために,SPL原則の概念的採用を期待する。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - Disentangled Multimodal Brain MR Image Translation via Transformer-based
Modality Infuser [12.402947207350394]
マルチモーダル脳MR画像の合成を目的としたトランスフォーマーを用いたモダリティインジェクタを提案する。
本手法では,エンコーダからモダリティに依存しない特徴を抽出し,その特徴をモダリティ固有の特徴に変換する。
われわれはBraTS 2018データセットで4つのMRモードを変換する実験を行った。
論文 参考訳（メタデータ） (2024-02-01T06:34:35Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Explainable unsupervised multi-modal image registration using deep
networks [2.197364252030876]
MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。
本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
論文 参考訳（メタデータ） (2023-08-03T19:13:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Deep Learning for Retrospective Motion Correction in MRI: A
Comprehensive Review [10.968260853546797]
運動は磁気共鳴画像(MRI)における大きな課題の1つである
深層学習は再建過程のいくつかの段階で運動補正のために頻繁に提案されている。
このレビューでは、基礎となるデータ利用、アーキテクチャ、トレーニング、評価戦略の違いと相乗効果を明らかにします。
論文 参考訳（メタデータ） (2023-05-11T11:50:32Z) - Undersampled MRI Reconstruction with Side Information-Guided
Normalisation [20.28262806301981]
畳み込みニューラルネットワーク(CNN)の正常化パラメータとして外見関連側情報を用いて,MRIのアンダーサンプル化を改善する。
具体的には,サイド情報を効率的にエンコードし,正規化パラメータを出力するために,少数のレイヤのみを含むサイド情報ガイド正規化(SIGN)モジュールを提案する。
論文 参考訳（メタデータ） (2022-03-07T08:04:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。