論文の概要: Neuropsychiatric Disease Classification Using Functional Connectomics --
Results of the Connectomics in NeuroImaging Transfer Learning Challenge
- arxiv url: http://arxiv.org/abs/2006.03611v2
- Date: Wed, 25 Nov 2020 11:45:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 04:28:03.050315
- Title: Neuropsychiatric Disease Classification Using Functional Connectomics --
Results of the Connectomics in NeuroImaging Transfer Learning Challenge
- Title(参考訳): 機能的コネクトミクスを用いた神経精神病分類 -神経画像伝達学習課題におけるコネクトミクスの意義-
- Authors: Markus D. Schirmer, Archana Venkataraman, Islem Rekik, Minjeong Kim,
Stewart H. Mostofsky, Mary Beth Nebel, Keri Rosch, Karen Seymour, Deana
Crocetti, Hassna Irzan, Michael H\"utel, Sebastien Ourselin, Neil Marlow,
Andrew Melbourne, Egor Levchenko, Shuo Zhou, Mwiza Kunda, Haiping Lu, Nicha
C. Dvornek, Juntang Zhuang, Gideon Pinto, Sandip Samal, Jennings Zhang, Jorge
L. Bernal-Rusiel, Rudolph Pienaar, Ai Wern Chung
- Abstract要約: 我々は,MICCAI 2019と共同で開催されたCNI-TLC(Connectomics in NeuroImaging Transfer Learning Challenge)を組織した。
CNI-TLCは,(1)青年期前コホートにおける注意欠陥・多動性障害(ADHD)の診断,(2)自閉症スペクトラム障害(ASD)患者の関連コホートへのADHDモデルの移行の2つの分類課題を含む。
- 参考スコア(独自算出の注目度): 11.28123908443373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large, open-source consortium datasets have spurred the development of new
and increasingly powerful machine learning approaches in brain connectomics.
However, one key question remains: are we capturing biologically relevant and
generalizable information about the brain, or are we simply overfitting to the
data? To answer this, we organized a scientific challenge, the Connectomics in
NeuroImaging Transfer Learning Challenge (CNI-TLC), held in conjunction with
MICCAI 2019. CNI-TLC included two classification tasks: (1) diagnosis of
Attention-Deficit/Hyperactivity Disorder (ADHD) within a pre-adolescent cohort;
and (2) transference of the ADHD model to a related cohort of Autism Spectrum
Disorder (ASD) patients with an ADHD comorbidity. In total, 240 resting-state
fMRI time series averaged according to three standard parcellation atlases,
along with clinical diagnosis, were released for training and validation (120
neurotypical controls and 120 ADHD). We also provided demographic information
of age, sex, IQ, and handedness. A second set of 100 subjects (50 neurotypical
controls, 25 ADHD, and 25 ASD with ADHD comorbidity) was used for testing.
Models were submitted in a standardized format as Docker images through ChRIS,
an open-source image analysis platform. Utilizing an inclusive approach, we
ranked the methods based on 16 different metrics. The final rank was calculated
using the rank product for each participant across all measures. Furthermore,
we assessed the calibration curves of each method. Five participants submitted
their model for evaluation, with one outperforming all other methods in both
ADHD and ASD classification. However, further improvements are needed to reach
the clinical translation of functional connectomics. We are keeping the CNI-TLC
open as a publicly available resource for developing and validating new
classification methodologies in the field of connectomics.
- Abstract(参考訳): 大規模でオープンソースのコンソーシアムデータセットは、脳コネクトミクスにおける新しい強力で強力な機械学習アプローチの開発を促した。
しかし、重要な疑問が残る:私たちは生物学的に関連があり、脳に関する一般化可能な情報を捉えているのだろうか?
そこで我々は,MICCAI 2019と共同で開催されたCNI-TLC(Connectomics in NeuroImaging Transfer Learning Challenge)という科学的課題を組織した。
CNI-TLCは,(1)青年期のコホート内における注意欠陥・多動性障害(ADHD)の診断,(2)ADHDモデルと関連する自閉症スペクトラム障害(ASD)患者のコホートへの移動の2つの分類課題を含む。
臨床診断と合わせて,3つの標準セルアトラスで平均240回の安静状態fmri時系列が,訓練および検証のために放出された(120の神経型制御と120のadhd)。
また、年齢、性別、IQ、手書きの人口統計情報も提供した。
被験者100名(ニューロタイプコントロール50名,ADHD25名,ADHD併用ASD25名)を試験に使用した。
モデルは、オープンソースのイメージ分析プラットフォームであるChRISを通じて、Dockerイメージとして標準化されたフォーマットで提出された。
包括的アプローチを用いて、16の異なるメトリクスに基づいてメソッドをランク付けした。
最終順位は、すべての尺度で各参加者のランク積を用いて算出された。
さらに,各手法のキャリブレーション曲線を評価した。
5人の被験者が評価のためにモデルを提出し、1人はADHDとASDの分類において他のすべての方法より優れていた。
しかし, 機能的コネクトミクスの臨床的翻訳に到達するためには, さらなる改良が必要である。
我々はCNI-TLCを、コネクトロミクス分野の新しい分類手法の開発と検証のための公開リソースとして維持している。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳(メタデータ) (2024-07-31T04:32:43Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳(メタデータ) (2023-08-06T18:05:39Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳(メタデータ) (2023-06-15T16:22:57Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Adapter Learning in Pretrained Feature Extractor for Continual Learning
of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。
特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。
ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文 参考訳(メタデータ) (2023-04-18T15:01:45Z) - iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic
Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD) [15.675307032144064]
この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルのような機械学習技術を組み合わせてADHDを診断する方法を探究する。
本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。ロジスティック回帰,KNN,AdaBoostなどの他の教師あり学習手法と比較して,表現型データに対して良好な結果が得られた。
論文 参考訳(メタデータ) (2023-02-01T09:29:20Z) - Classification of ADHD Patients Using Kernel Hierarchical Extreme
Learning Machine [3.39487428163997]
我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。
その結果,最先端モデルよりも優れた分類率を得た。
論文 参考訳(メタデータ) (2022-06-28T05:17:54Z) - Classification of ADHD Patients by Kernel Hierarchical Extreme Learning
Machine [4.168157981135698]
我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。
本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。
提案手法は既存の方法よりも優れた分類結果を得た。
論文 参考訳(メタデータ) (2022-02-18T01:32:55Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-07-28T07:19:00Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。