arXiv:2509.09513v3 physics.med-ph

Reduced NEXI protocol for the quantification of human gray matter microstructure on the Connectome 2.0 scanner

Quentin Uhl, Tommaso Pavan, Julianna Gerold, Kwok-Shing Chan, Yohan Jun, Shohei Fujita, Aneri Bhatt, Yixin Ma, Qiaochu Wang, Hong-Hsi Lee, Susie Y. Huang, Berkin Bilgic, Ileana Jelescu

제출 2025-09-11

원문 초록

Biophysical diffusion MRI models like Neurite Exchange Imaging (NEXI) are essential for probing gray matter microstructure, estimating compartment diffusivities, neurite fraction, and exchange time. However, NEXI's multi-shell, multi-diffusion-time requirements cause prohibitively long acquisitions. Leveraging the Connectome 2.0 ultra-high gradient scanner, we developed a time-efficient protocol using an Explainable AI (XAI) framework. Combining XGBoost, SHAP, and Recursive Feature Elimination trained on synthetic signals, XAI identified an optimal 8-feature subset, cutting scan time from 27 to 14 minutes. Validated in vivo in seven healthy participants, the XAI protocol was benchmarked against the full 15-feature acquisition, a Cram'er-Rao Lower Bound (CRLB) theoretical optimum, and two heuristics ("Mid-Range" and "Corner"). It robustly reproduced parameter estimates and maintained test-retest reproducibility. Remarkably, the XAI selection converged to the CRLB optimum. This validates XAI's optimality while highlighting its main advantage: achieving gold-standard optimization without complex analytical Jacobians, making it easily adaptable to numerical models or complex noise where CRLB is intractable. Furthermore, XAI showed superior in vivo robustness over heuristics: "Mid-Range" sampling yielded biased exchange time estimates from insufficient temporal diversity, while "Corner" sampling gave unstable intra-neurite diffusivity estimates (5-fold higher CV) due to noise sensitivity. Ultimately, this robust 14-minute protocol accelerates exchange-sensitive microstructural mapping, establishing a model-agnostic optimization framework adaptable to future ultra-high gradient systems and existing clinical scanners.

요약

XGBoost, SHAP, 재귀적 특징 제거(RFE)를 결합한 설명 가능한 AI(XAI) 프레임워크를 활용해 신경돌기 교환 영상(NEXI) 확산 MRI 프로토콜을 27분에서 14분으로 단축하는 최적 8개 특징 부분집합을 식별했으며, 데이터 기반 선택이 이론적 최적값인 크라메르-라오 하한(CRLB)에 수렴함을 검증했다. 이 모델 무관(model-agnostic) 최적화 프레임워크는 복잡한 야코비안 유도 없이 금표준 수준의 최적화를 달성하여 기존 휴리스틱 대비 우수한 생체 내 강건성을 보이며, 미래 초고 그래디언트 시스템 및 임상 스캐너에 적용 가능한 회백질 미세구조 정량화 방법을 확립한다.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2509.09513v3제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2610.13387v1eess.IV공통 태그 Medical Image Analysis, feature selection

라벨 조건부 등각 예측을 활용한 라디오믹스 기반 갑상선 결절 분류

Radiomics-Based Thyroid Nodule Classification with Label-Conditional Conformal Prediction

갑상선 결절의 악성도 평가는 초음파 영상에 의존하지만, 기존의 위험 계층화 시스템은 관찰자 간 상당한 변동성으로 인해 불필요한 생검 비율이 높아지는 문제를 겪고 있습니다. 본 논문에서는 PyRadiomics를 통한 정량적 특징 추출과 일반화 가산 모델(GAM) 분류기를 결합한 라디오믹스(radiomics) 기반 프레임워크를 제안합니다. 이 분류기는 판별 성능과 해석 가능성 간의 우수한 절충점을 보여 6개의 후보 중 선정되었습니다. 점 예측을 불확실성 추정으로 보완하기 위해 라벨 조건부 보장을 갖춘 교차 등각 예측(Cross-Conformal Prediction)을 적용하여, 이진 결정을 강제하기보다는 모호한 사례를 임상 검토 대상으로 플래깅(flagging)합니다. 실험은 갑상선 결절의 공개 초음파 데이터셋인 TN5000에서 수행되었습니다. 스피어만 상관관계 필터링 후 36개의 특징이 유지되었으며, GAM은 검증 세트에서 $0.89$의 AUC, $0.83$의 민감도, $0.82$의 특이도를 달성했습니다. 두 클래스 모두에 대한 실증적 커버리지 보장을 보장하도록 선택된 유의수준 $ε=0.09$에서, 테스트 세트 결절의 63\%가 확실한(즉, 단일 라벨) 예측을 받았으며, 확실한 악성에 대해서는 $0.94$의 조건부 정밀도와 확실한 양성 사례에 대해서는 $0.73$의 조건부 음성 예측도(NPV)를 기록한 반면, 나머지 37\%는 임상의에게 의뢰되었습니다.

arXiv:2610.02755v1cs.CV공통 태그 Medical Image Analysis, Diffusion MRI

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:2609.22333v1cs.CV공통 태그 feature selection, explainable ai

설명 가능한 AI(XAI) 기반 하이퍼스펙트럴 이미지 분류를 위한 차원 축소

Dimensionality reduction for AI based hyperspectral image classification based on XAI

본 연구는 인공지능(AI) 기반 차원 축소를 활용하여 목재 재활용 공정에서 소재 재활용이 제한적인 문제를 다룬다. 본 연구는 RGB 채널을 넘어 200개 이상의 분광 채널을 갖는 다중 채널 하이퍼스펙트럴 이미징(HSI)에 합성곱 신경망(CNN)을 적용하는 방법을 탐구한다. 이러한 맥락에서 차원 축소는 AI 시스템의 학습과 추론을 위한 특징 공간을 간소화하는 것을 의미한다. 설명 가능한 AI(XAI) 기법에 초점을 맞춘 본 논문은 더 폭넓은 연구 이니셔티브에 기여하며, 목재 재활용 공정의 지속가능성과 효율성을 향상시키는 솔루션 프레임워크를 제시한다.

arXiv:2609.24732v1cs.CV공통 태그 Medical Image Analysis, Diffusion MRI

GraphSVR: 확산 MRI를 위한 q-공간 인지 그래프 기반 슬라이스-볼륨 정합

GraphSVR: q-Space--Aware Graph-Based Slice-to-Volume Registration for Diffusion MRI

확산강조영상(DWI)은 특히 시간 효율적인 프로토콜과 움직임이 발생하기 쉬운 피험자 집단에서 피험자의 움직임에 매우 취약합니다. 슬라이스-볼륨 정합(SVR)이 슬라이스 간 및 스택 간 불일치를 완화할 수 있지만, 확산 MRI는 확산 방향에 따른 대조도와 수십 개의 측정값을 공통 기준 좌표계 내에 정렬해야 하는 요구사항으로 인해 추가적인 복잡성을 유발하며, 실질적으로 4D 정합 문제를 낳습니다. 기존 접근 방식은 주로 순차적 모델링이나 쌍별 유사도에 의존하며, 희소한 그래디언트 샘플링이나 심한 움직임 환경에서 종종 성능이 저하됩니다. 본 연구에서는 DWI의 4D SVR 정합을 위한 q-공간 인지 그래프 기반 프레임워크인 GraphSVR을 소개합니다. GraphSVR은 획득 구조화된 그래프에서 슬라이스 그룹을 노드로 표현하며, 에지는 시간적 근접성, 공간적 슬라이스 기하구조, 확산 인코딩 관계를 인코딩합니다. 그래프 신경망은 전역적으로 일관된 스택 단위 강체 운동을 예측하며, 쌍을 이루는 정답 움직임 없이 해부학적 참조 영상만을 사용하여 자기지도, 제로샷(zero-shot) 방식으로 최적화됩니다. 제어 가능한 움직임 심각도와 그래디언트 희소성을 갖는 실제 획득 기반의 사실적인 재조합 시뮬레이션 및 완전 합성 확산 시뮬레이션 모두를 사용하여 GraphSVR을 평가합니다. 성능은 알려진 정답 변환 대비 그리드 오차(mm) 및 회전 오차를 사용하여 정량화됩니다. 심각한 움직임 하에서 GraphSVR은 표준 DWI 움직임 보정 방법인 FSL eddy에 비해 그리드 오차와 회전 오차를 73% 감소시키며, 가장 큰 개선 효과는 희소 방향 영역에서 관찰됩니다. 이러한 결과는 그래프 기반 추론을 통해 획득 구조를 명시적으로 모델링하는 것이 4D DWI 움직임 추정에서 견고성과 전역적 일관성을 향상시킨다는 점을 보여줍니다. 코드는 https://github.com/nogakertes/GraphSVR.git 에서 이용할 수 있습니다.

arXiv:2607.23631v1cs.CV공통 태그 Medical Image Analysis, feature selection

PathSelect: 전체 슬라이드 병리학을 위한 순차적 토큰 선택

PathSelect: Sequential Token Selection for Whole Slide Pathology

기가픽셀 전체 슬라이드 이미지(WSI)는 극단적으로 긴 시퀀스 길이로 인해 비전-언어 모델(VLM)에 근본적인 계산 병목을 일으킨다. 기존 접근법은 주로 공간 샘플링(spatial sampling)이나 학습 없는 가지치기(training-free pruning)에 의존하는데, 이는 약하지만 유익한 신호를 희석시킬 위험이 있으며, 병리학적 단서의 공간적으로 확산된 특성으로 인해 중요한 진단 근거의 손실을 초래한다. 우리는 WSI 토큰 가지치기를 순차적 선택 과정으로 재공식화하여, 정적 휴리스틱에 의존하는 대신 모델이 최적의 라우팅 전략을 자율적으로 학습할 수 있게 한다. 우리는 완전히 사전학습된 SlideChat 기준 모델에 능동적 플러그인으로 통합된 분리형 라우팅 프레임워크를 제안하며, 슬라이드 인코더와 대규모 언어 모델(LLM) 모두를 고정(frozen) 상태로 둔다. 학습 중 미분 불가능한 가지치기 연산에 연속적인 그래디언트를 제공하기 위해 PathSelect를 도입한다. PathSelect는 분산 보존(variance-preserving) 노이즈 게이트를 사용하여 미분 가능한 Soft Top-K 연산자를 통해 각 패치의 정보 흐름을 조절하고, 의미적 누출(semantic leakage) 없이 교란된 표현을 복원하는 대각선-어텐션(d diagonal-attention) Denoiser와 짝을 이룬다. 추론 시 PathSelect 모듈은 완전히 분리된다. 학습된 Scorer만을 사용하여, 결정론적 Hard Top-K 연산자가 적응적이고 데이터 의존적인 궤적 종료(trajectory termination)를 수행하며, 순차적 토큰 선택 지연 시간을 극히 낮게 유지하면서 하류 생성 처리를 크게 가속한다. 최대 제약 K = 128 하에서 경험적 평균 44.86개 토큰만으로 구동되는 우리 프레임워크는 SlideBench(TCGA)에서 74.00%의 전체 정확도를 달성하며, 압축되지 않은 기준선 평균 대비 약 36.6배의 공간 토큰 감소를 나타내면서 샘플링 기반 대안들을 일관되게 능가한다.

arXiv:2607.20993v1cs.CV공통 태그 Medical Image Analysis, feature selection

고정된 3D CT 비전 인코더의 희소 개념 채널

Sparse Concept Channels in Frozen 3D CT Vision Encoders

대규모 비전-언어 모델은 3D 의료 영상 해석에서 점점 더 지배적이 되고 있지만, 어떤 내부 유닛이 임상 소견을 인코딩하는지, 또는 그 정보가 표현의 어디에 존재하는지는 거의 알려져 있지 않다. 우리는 먼저 3D 흉부 비전-언어 모델(Pillar-0)에서 고정된 비전 임베딩을 프로빙하여 이를 연구한다. (i) 각 방사선학적 소견은 전체 특징 분류 성능과 동등하고 제로샷 텍스트 프롬프팅을 훨씬 능가하는 약 10개의 비전 인코더 채널의 희소 집합에 의해 인코딩됨을, (ii) 한 소견에 연결된 채널을 끄면 해당 소견의 점수는 붕괴하지만 관련 없는 레이블은 안정적으로 유지됨을, (iii) 동일한 희소 프로브가 구조적으로 무관한 3D 복부 VLM(Merlin)에서도 재현되어 고정된 의료 인코더의 일반적 특성을 시사함을 보인다. 코퍼스 기반 보고서 템플릿과 결합한 학습 없는 개념 채널 프로브(CCP) 방법은 임상 효능 및 NLG(자연어 생성) 지표에서 공개된 CT-CHAT을 능가하며(F1 0.549 vs. 0.184; BLEU 0.483 vs. 0.373), 지연 시간은 22배 낮다. 우리 결과는 고정된 의료 인코더가 소견을 어떻게 표현하는지에 대한 명확하고 재현 가능한 특성화를 제공하며, 모델 전반에 걸친 직접적 적용 가능성을 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.