PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02755v1cs.CV

FiberGeoText: 천부 백질의 집단 수준 체계화를 위한 비전-언어 모델

FiberGeoText: A Vision-Language Model for Population- Level Organization of Superficial White Matter

생애 전반에 걸친 인지 및 뇌 질환에 중요한 뇌 영역인 천부 백질(SWM, superficial white matter)에는 풍부한 단거리 연합 섬유가 포함되어 있으나, 짧은 궤적과 변동성이 큰 대뇌 피질 주름으로 인해 개체 간 대응이 어려워 그 구조가 완전히 규명되지 않았습니다. 해부학적으로 상응하는 연결은 개체 간에 공간적 위치가 다를 수 있으므로 기하학적 근접성만으로는 적절히 정의되지 않을 수 있습니다. 본 연구에서는 초고해상도 확산 MRI로부터 재구성된 단거리 천부 백질(SWM) 신경로(streamline)를 집단 수준의 클러스터로 체계화하기 위한 비전-언어(vision-language) 모델(VLM)인 FiberGeoText(FGT)를 소개합니다. FGT는 각 신경로의 세 가지 상호보완적 특성인 3차원 궤적, 피질 해부학적 컨텍스트, 형태를 공동으로 표현합니다. 여러 구획화(parcellation) 체계의 피질 종단점 정보는 텍스트로 표현되고 사전학습된 대규모 언어 모델(LLM)을 사용하여 인코딩되므로, 이종의 해부학적 기술이 공통의 연속적 표현에 기여할 수 있습니다. 밀리미터 미만인 0.76mm 확산 MRI 데이터를 통해 FGT를 평가했습니다. 최신(SOTA) 방법들과 비교했을 때, FGT는 훨씬 더 높은 피질 구획 일관성, 클러스터 내 형태 일관성, 클러스터 크기 일관성, 피험자 간 대응성을 달성했습니다. 또한 학습된 모델은 학습된 5,000개 클러스터 중 평균 96.7%를 복구하며 미확인 피험자에 대해서도 우수한 일반화 성능을 보였고, 학습 데이터와 테스트 데이터 간의 클러스터 구조 일관성도 높았습니다. 이러한 결과는 VLM 모델을 통해 멀티모달 딥 임베딩(embedding)을 학습함으로써 기하학적, 해부학적, 형태 정보를 통합하는 것이 개체 간 해부학적 변동성에도 불구하고 집단 수준에서 일관된 SWM 구조를 강건하게 학습할 수 있음을 입증합니다.

arXiv:2607.02638v1cs.CV

CLABTOOLKIT: 신경영상 데이터의 일상적 처리, 조작 및 시각화를 위한 오픈소스 툴킷

CLABTOOLKIT: An Open-Source Toolkit for Routine Processing, Manipulation, and Visualization of Neuroimaging Data

신경영상 연구는 원시 MRI 볼륨, 체적 분할(volumetric parcellation), 피질 표면 메시(cortical surface mesh), 트랙토그램(tractogram), 연결성 행렬(connectivity matrix) 등 이질적인 데이터 구조를 호환되지 않는 인터페이스와 파일 형식을 가진 도구들 간에 다루어야 하므로, 연구자들이 기술적으로 까다로운 루틴 작업을 반복적으로 재구현해야 하는 상황에 처하게 된다. 본 논문에서는 체적, 표면, 스트림라인 데이터를 상호운용 가능한 Python 객체로 표현함으로써 이러한 작업들을 단일하고 일관된 프레임워크로 통합한 오픈소스 Python 패키지 CLABTOOLKIT을 소개한다. 다섯 가지 핵심 데이터 구조(Parcellation, Surface, AnnotParcellation, Tractogram, Connectome)는 일반적인 신경해부학적 개체를 캡슐화하고, NIfTI, GIFTI, FreeSurfer 어노테이션, TCK/TRK 등 표준 신경영상 형식 간 데이터 로딩, 처리, 내보내기를 위한 일관된 메서드를 제공하며, 분할로부터의 커넥톰 생성 및 트랙토그램 스트림라인에 대한 스칼라 맵 투영도 지원한다. 보완 모듈은 BIDS 데이터셋 관리, FreeSurfer 통합, 확산 MRI 처리, 형태계측 분석(morphometric analysis), 그래프 이론 기반 네트워크 분석, PyVista를 통한 GPU 가속 다중 패널 시각화를 지원한다. 이 툴킷은 6개 계층으로 구성된 19개 모듈로 이루어지며, 234개의 메서드와 207개의 독립 함수를 가진 13개의 객체지향 클래스를 제공하고, JSON 기반 설정 시스템을 통해 코드 변경 없이 워크플로우를 커스터마이징할 수 있다. 이러한 작업들을 별도로 다루는 기존 신경영상 라이브러리와 달리, CLABTOOLKIT은 색상 및 룩업 테이블 관리, 분할 조작, 다중 표면 시각화, 섬유추적(tractography) 유틸리티를 단일 프레임워크 내에 결합한다. CLABTOOLKIT은 Python 3.9-3.12와 호환되며 Apache 2.0 라이선스 하에 배포된다. 소스 코드, 문서, 예제 워크플로우는 https://github.com/connectomicslab/clabtoolkit에서 확인할 수 있다.

arXiv:2606.26898v1cs.CV

트레이서 조직학에서 섬유 다발 분할을 위한 트랙토그래피 기반 합성 데이터 생성

Tractography-Driven Synthetic Data Generation for Fiber Bundle Segmentation in Tracer Histology

ex vivo dMRI 트랙토그래피를 생성적 사전(generative prior)으로 활용해 마카크 트레이서 조직학의 섬유 다발 분할을 위한 합성 데이터 증강 프레임워크를 제안하며, 합성 이미지 패치와 실제 데이터를 혼합해 2D U-Net을 학습시킨다. 이 접근법은 수동 주석 데이터를 3배 적게 사용하면서도 최신 기술 수준의 성능을 달성하고, 다양한 뇌와 섬유 다발 밀도에 대한 일반화 성능을 개선한다.