Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

A Multimodal Deep Learning Approach for White Matter Shape Prediction in Diffusion MRI Tractography

Created by
  • Haebom

作者

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

概要

本論文は、白色繊維繊維束の形態測定のための新しいマルチモード深層学習フレームワークであるTract2Shapeを提案する。従来のボクセルベースの方法の計算コスト問題を解決するために、幾何学的（点雲）およびスカラー（表形式）の特徴を活用して、10種類の白色質繊維束形状測定値を予測します。寸法縮小アルゴリズムを使用して5つの主要な形状コンポーネントを予測することで、モデル効率を向上させました。 HCP-YAとPPMI両方のデータセットを使用してモデルをトレーニングし評価し、HCP-YAデータセットの最先端モデルと比較してパフォーマンスを評価しました。 PPMIデータセットのクロスデータセットを評価し、一般化のパフォーマンスを確認しました。その結果、Tract2Shapeはすべての10種類の測定値にわたって従来の最高性能の深層学習モデルを上回り、高いピアソン相関係数と低いnMSEを達成しました。結論として、Tract2Shapeは、白色の形態測定値を迅速かつ正確かつ一般化可能に予測し、大規模なデータセット分析をサポートします。

Takeaways、Limitations

•
Takeaways:
◦
白色繊維束の形態測定のための迅速で正確で一般化可能な深層学習フレームワークを提供します。
◦
大規模なデータセット分析の可能性の拡大。
◦
マルチモード入力とPCAによる性能向上の確認。
◦
クロスデータセット評価における高い一般化性能の実証
•
Limitations：
◦
本稿では、特定の形態測定値（10種類）についてのみ説明しています。他の形態測定値への適用可能性はさらなる研究を必要とする。
◦
使用されるデータセットの特性によってパフォーマンスが異なる場合があります。さまざまなデータセットの追加検証が必要です。
◦
モデルの解釈の可能性に関するさらなる研究が必要である。
👍
Made with Slashpage