Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Une approche d'apprentissage profond multimodal pour la prédiction de la forme de la matière blanche en tractographie IRM de diffusion
Created by
Haebom
Auteur
Yui Lo, Yuqian Chen, Dongnan Liu, Leo Zekelman, Jarrett Rushmore, Yogesh Rathi, Nikos Makris, Alexandra J. Golby, Fan Zhang, Weidong Cai, Lauren J. O'Donnell
Contour
Cet article propose Tract2Shape, un nouveau framework d'apprentissage profond multimodal pour la morphométrie des fascicules de matière blanche. Afin de réduire le coût de calcul des méthodes voxel existantes, nous exploitons des caractéristiques géométriques (nuage de points) et scalaires (tabulaires) pour prédire dix mesures de morphométrie des fascicules de matière blanche. Nous améliorons l'efficacité du modèle en prédisant cinq composantes morphométriques clés à l'aide d'un algorithme de réduction de dimensionnalité. Nous entraînons et évaluons le modèle sur deux jeux de données : HCP-YA et PPMI, et comparons ses performances à celles des modèles de pointe sur le jeu de données HCP-YA. L'évaluation croisée des jeux de données sur le jeu de données PPMI démontre ses performances de généralisation. Tract2Shape surpasse les modèles d'apprentissage profond de pointe existants sur les dix mesures de morphométrie, obtenant des coefficients de corrélation de Pearson élevés et un faible nMSE. En conclusion, Tract2Shape permet une prédiction rapide, précise et généralisable des mesures de morphométrie de la matière blanche, facilitant ainsi l'analyse de jeux de données à grande échelle.
Takeaways, Limitations
•
Takeaways:
◦
Fournir un cadre d'apprentissage profond rapide, précis et généralisable pour mesurer la morphologie des fascicules de matière blanche.
◦
ÉLargir les possibilités d’analyse de grands ensembles de données.
◦
Vérification de l'amélioration des performances grâce à l'entrée multimode et à l'ACP.
◦
A démontré une performance de généralisation élevée dans l’évaluation d’ensembles de données croisés.
•
Limitations:
◦
Cet article traite uniquement de mesures morphométriques spécifiques (10). Des recherches supplémentaires sont nécessaires pour déterminer leur applicabilité à d'autres mesures morphométriques.
◦
Les performances peuvent varier selon les caractéristiques du jeu de données utilisé. Une validation supplémentaire sur différents jeux de données est requise.
◦
Des recherches supplémentaires sont nécessaires pour déterminer l’interprétabilité du modèle.
