抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
皮質表面再構成のための深い学習フレームワークであるCortexODEを提示した。CortexODEは,神経常微分方程式(ODE)を利用して,拡散型フローを学習することにより,入力表面をターゲット形状に変形させる。表面上の点の軌跡をODEとしてモデル化し,それらの座標の導関数を学習可能Lipschitz連続変形ネットワークを介してパラメータ化した。これは,自己断面の防止のための理論的保証を提供する。CortexODEは自動学習ベースパイプラインに統合でき,5秒以下で皮質表面を再構成する。パイプラインは,3D U-Netを利用して,脳磁気共鳴映像法(MRI)スキャンから白質セグメンテーションを予測し,さらに,初期表面を表す符号付き距離関数を生成した。高速トポロジー補正を導入して,球に対するホメオ写像を保証した。等表面抽出段階に続いて,2つのCortexODEモデルを,それぞれ,初期表面を白質と表面へ変形するために訓練した。提案したパイプラインは,新生児(25-45週),若年成人(22-36歳)および高齢被験者(55-90歳)を含むさまざまな年齢群における大規模神経画像データセットで評価した。著者らの実験は,CortexODEベースのパイプラインが,従来の処理パイプラインと比較して,平均幾何学的誤差が0.2mm未満であり,一方,大きさが1桁速いことを示した。【JST・京大機械翻訳】