Fugu-MT 論文翻訳(概要): Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls

論文の概要: Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls

arxiv url: http://arxiv.org/abs/2003.08818v1
Date: Sat, 14 Mar 2020 10:05:21 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 20:11:51.962779
Title: Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls
Title（参考訳）: 脳MRIによる統合失調症の分類と制御のための3次元畳み込みニューラルネットワーク
Authors: Mengjiao Hu, Kang Sim, Juan Helen Zhou, Xudong Jiang, Cuntai Guan
Abstract要約: 畳み込みニューラルネットワーク(CNN)は、自然画像と医用画像の両方の分類に成功している。我々は3D CNNモデルを構築し、その性能を手作りの機能ベースの機械学習アプローチと比較した。 CNNモデルは手作りの特徴ベース機械学習よりも高いクロスバリデーション精度を達成した。
参考スコア（独自算出の注目度）: 25.80846093248797
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional Neural Network (CNN) has been successfully applied on classification of both natural images and medical images but not yet been applied to differentiating patients with schizophrenia from healthy controls. Given the subtle, mixed, and sparsely distributed brain atrophy patterns of schizophrenia, the capability of automatic feature learning makes CNN a powerful tool for classifying schizophrenia from controls as it removes the subjectivity in selecting relevant spatial features. To examine the feasibility of applying CNN to classification of schizophrenia and controls based on structural Magnetic Resonance Imaging (MRI), we built 3D CNN models with different architectures and compared their performance with a handcrafted feature-based machine learning approach. Support vector machine (SVM) was used as classifier and Voxel-based Morphometry (VBM) was used as feature for handcrafted feature-based machine learning. 3D CNN models with sequential architecture, inception module and residual module were trained from scratch. CNN models achieved higher cross-validation accuracy than handcrafted feature-based machine learning. Moreover, testing on an independent dataset, 3D CNN models greatly outperformed handcrafted feature-based machine learning. This study underscored the potential of CNN for identifying patients with schizophrenia using 3D brain MR images and paved the way for imaging-based individual-level diagnosis and prognosis in psychiatric disorders.
Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)は、自然画像と医療画像の両方の分類に有効であるが、精神分裂病患者と健康管理の区別にはまだ適用されていない。統合失調症の微妙な、混合、分散した脳萎縮パターンを考えると、自動機能学習の能力により、cnnは統合失調症をコントロールから分類する強力なツールとなり、関連する空間的特徴の選択における主観性を取り除きます。 CNNを統合失調症の分類や構造的磁気共鳴イメージング(MRI)に基づく制御に応用する可能性を検討するため、我々は異なるアーキテクチャの3D CNNモデルを構築し、その性能を手作りの特徴に基づく機械学習アプローチと比較した。サポートベクトルマシン (SVM) は分類器として使われ、Voxel-based Morphometry (VBM) は手作り特徴ベース機械学習の機能として使われた。シーケンシャルアーキテクチャ,インセプションモジュール,残留モジュールを備えた3次元cnnモデルをスクラッチからトレーニングした。 CNNモデルは手作りの特徴ベース機械学習よりも高いクロスバリデーション精度を達成した。さらに、独立したデータセットでテストする3D CNNモデルは、手作りの機能ベースの機械学習よりも大幅に優れています。本研究は,3次元脳MRI画像を用いて統合失調症患者を同定するCNNの可能性を明らかにし,精神疾患における画像に基づく個人レベルの診断と予後について検討した。

関連論文リスト

Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Multi-pooling 3D Convolutional Neural Network for fMRI Classification of Visual Brain States [3.19429184376611]
本稿では,fMRI分類精度を向上させるために,マルチプール3次元畳み込みニューラルネットワーク(MP3DCNN)を提案する。 MP3DCNNは主に3層3DCNNで構成されており、3D畳み込みの第1層と第2層はそれぞれプール接続の分岐を持つ。
論文参考訳（メタデータ） (2023-03-25T07:54:51Z)
Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
論文参考訳（メタデータ） (2022-11-21T15:22:59Z)
Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文参考訳（メタデータ） (2022-09-19T09:43:19Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文参考訳（メタデータ） (2022-03-24T15:24:38Z)
Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文参考訳（メタデータ） (2021-12-16T17:03:14Z)
Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform [3.5235974685889397]
我々は,CNNの汎用モジュールであるDynamic Affine Feature Map Transform (DAFT)を紹介し,患者の臨床情報に基づいて,畳み込み層の特徴マップを動的に再スケール・シフトする。 DAFTは診断のための3次元画像と表型情報を組み合わせるのに非常に有効であり、それぞれ平均平衡精度0.622と平均c-インデックス0.748で競合するCNNを上回ります。
論文参考訳（メタデータ） (2021-07-13T11:18:22Z)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。