Fugu-MT 論文翻訳(概要): Anatomical Predictions using Subject-Specific Medical Data

論文の概要: Anatomical Predictions using Subject-Specific Medical Data

arxiv url: http://arxiv.org/abs/2006.00090v1
Date: Fri, 29 May 2020 21:30:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 23:58:26.690767
Title: Anatomical Predictions using Subject-Specific Medical Data
Title（参考訳）: 主題別医療データを用いた解剖学的予測
Authors: Marianne Rakic, John Guttag and Adrian V. Dalca
Abstract要約: 個人の脳MRIが時間とともにどのように変化するかを予測する手法を提案する。予測変形場が与えられると、ベースラインスキャンをワープして、将来脳スキャンの予測を行うことができる。
参考スコア（独自算出の注目度）: 7.635279671482444
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Changes over time in brain anatomy can provide important insight for treatment design or scientific analyses. We present a method that predicts how a brain MRI for an individual will change over time. We model changes using a diffeomorphic deformation field that we predict using function using convolutional neural networks. Given a predicted deformation field, a baseline scan can be warped to give a prediction of the brain scan at a future time. We demonstrate the method using the ADNI cohort, and analyze how performance is affected by model variants and the subject-specific information provided. We show that the model provides good predictions and that external clinical data can improve predictions.
Abstract（参考訳）: 脳解剖学における経時的変化は、治療設計や科学的分析に重要な洞察を与える。個人の脳MRIが時間とともにどのように変化するかを予測する手法を提案する。畳み込みニューラルネットワークを用いて,関数を用いて予測する2相変形場を用いて変化をモデル化する。予測された変形場が与えられると、ベースラインスキャンは、将来に脳スキャンを予測するために歪められる。本手法をadniコホートを用いて実演し,モデル変種と主題別情報による性能への影響を解析した。モデルが良好な予測を提供し,外部臨床データが予測を改善することを示す。

関連論文リスト

A Lightweight Generative Model for Interpretable Subject-level Prediction [0.07989135005592125]
本稿では,本質的に解釈可能な単一対象予測手法を提案する。実験により、結果のモデルを効率よく逆転させ、正確な主観レベルの予測を行うことが示されている。
論文参考訳（メタデータ） (2023-06-19T18:20:29Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Pseudo-domains in imaging data improve prediction of future disease status in multi-center studies [57.712855968194305]
本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
論文参考訳（メタデータ） (2021-11-15T09:40:54Z)
Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文参考訳（メタデータ） (2021-03-04T00:26:32Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)
Using StyleGAN for Visual Interpretability of Deep Learning Models on Medical Images [0.7874708385247352]
画像上の任意のブラックボックスモデルの予測を理解するために使用できる新しい解釈可能性法を提案する。 StyleGANは医療画像に基づいて訓練され、潜伏ベクトルと画像のマッピングを提供する。この方向に沿って入力画像の潜在表現をシフトさせることにより、予測が変化する一連の新しい合成画像を生成することができる。
論文参考訳（メタデータ） (2021-01-19T11:13:20Z)
Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。患者に依存しない2つの深層学習アーキテクチャを提案する。
論文参考訳（メタデータ） (2020-11-18T23:13:48Z)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
Predictive Modeling of Anatomy with Genetic and Clinical Data [18.062331119075928]
本報告では, 患者の解剖学的変化を予測するための半パラメトリック・ジェネレーション・モデルについて述べる。我々は、個体群全体の回帰と、個々の遺伝的および臨床的指標に基づく被験者の健康の非パラメトリックモデルを組み合わせることで、解剖学的変化を捉えた。
論文参考訳（メタデータ） (2020-10-09T18:30:15Z)
Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文参考訳（メタデータ） (2020-10-05T14:18:52Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。