論文の概要: Smile-GANs: Semi-supervised clustering via GANs for dissecting brain
disease heterogeneity from medical images
- arxiv url: http://arxiv.org/abs/2006.15255v1
- Date: Sat, 27 Jun 2020 02:06:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 07:31:55.843462
- Title: Smile-GANs: Semi-supervised clustering via GANs for dissecting brain
disease heterogeneity from medical images
- Title(参考訳): Smile-GANs: 医用画像から脳疾患の均一性を識別するためのGANによる半教師付きクラスタリング
- Authors: Zhijian Yang, Junhao Wen, Christos Davatzikos
- Abstract要約: 半教師付きクラスタリングのためのSmile-GAN (SeMi-supervIsed cLustEring via GANs) を提案する。
Smile-GANはまずCNからPTを生成することで複数の異なるマッピングを学習し、それぞれのマッピングは比較的異なる1つの病理パターンを特徴付ける。
Smile-GANは、PT/CNデータ分布の緩和された仮定と非直線性を示すマッピングを用いて、CNとPTドメイン間の分布の不均一な差異を捉えている。
- 参考スコア(独自算出の注目度): 4.965264481651854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning methods applied to complex biomedical data has enabled the
construction of disease signatures of diagnostic/prognostic value. However,
less attention has been given to understanding disease heterogeneity.
Semi-supervised clustering methods can address this problem by estimating
multiple transformations from a (e.g. healthy) control (CN) group to a patient
(PT) group, seeking to capture the heterogeneity of underlying pathlogic
processes. Herein, we propose a novel method, Smile-GANs (SeMi-supervIsed
cLustEring via GANs), for semi-supervised clustering, and apply it to brain MRI
scans. Smile-GANs first learns multiple distinct mappings by generating PT from
CN, with each mapping characterizing one relatively distinct pathological
pattern. Moreover, a clustering model is trained interactively with mapping
functions to assign PT into corresponding subtype memberships. Using relaxed
assumptions on PT/CN data distribution and imposing mapping non-linearity,
Smile-GANs captures heterogeneous differences in distribution between the CN
and PT domains. We first validate Smile-GANs using simulated data, subsequently
on real data, by demonstrating its potential in characterizing heterogeneity in
Alzheimer's Disease (AD) and its prodromal phases. The model was first trained
using baseline MRIs from the ADNI2 database and then applied to longitudinal
data from ADNI1 and BLSA. Four robust subtypes with distinct neuroanatomical
patterns were discovered: 1) normal brain, 2) diffuse atrophy atypical of AD,
3) focal medial temporal lobe atrophy, 4) typical-AD. Further longitudinal
analyses discover two distinct progressive pathways from prodromal to full AD:
i) subtypes 1 - 2 - 4, and ii) subtypes 1 - 3 - 4. Although demonstrated on an
important biomedical problem, Smile-GANs is general and can find application in
many biomedical and other domains.
- Abstract(参考訳): 複雑な生体医学データに適用する機械学習手法は、診断・予後の値の疾患のシグネチャの構築を可能にした。
しかし、疾患の多様性を理解することにはあまり注意が払われていない。
半教師付きクラスタリング法は、(例えば、健康な)制御(cn)グループから患者(pt)グループへの多重変換を推定し、基礎となる病理プロセスの多様性を捉えることで、この問題に対処できる。
本稿では、半教師付きクラスタリングのための新しい手法であるSmile-GAN(SeMi-supervIsed cLustEring via GANs)を提案し、脳MRIスキャンに適用する。
Smile-GANはまずCNからPTを生成することで複数の異なるマッピングを学習し、それぞれのマッピングは比較的異なる1つの病理パターンを特徴付ける。
さらに、クラスタリングモデルをマッピング関数と対話的にトレーニングし、PTを対応するサブタイプメンバシップに割り当てる。
Smile-GANは、PT/CNデータ分布の緩和された仮定と非直線性を示すマッピングを用いて、CNとPTドメイン間の分布の不均一な差異を捉えている。
まず,アルツハイマー病(ad)とその前頭葉相における多様性を特徴付ける可能性を示すことで,実データに基づくシミュレーションデータを用いてスマイルガンを検証した。
モデルは最初にADNI2データベースのベースラインMRIを用いて訓練され、ADNI1とBLSAの縦データに適用された。
異なる神経解剖学的パターンを持つ4種類のロバスト亜型が発見された。
1)正常脳
2) ad の非定型であるびまん性萎縮
3)局所性側頭葉萎縮症
4) 典型的なAD。
縦断的解析により、前ドロマルから完全ADまでの2つの異なる進行経路が発見される。
i) サブタイプ 1 - 2 - 4 及び
二 サブタイプ 1 - 3 - 4
Smile-GANは、重要なバイオメディカルな問題で実証されているが、一般的なものであり、多くのバイオメディカルおよび他の領域で応用できる。
関連論文リスト
- Clustering Alzheimer's Disease Subtypes via Similarity Learning and Graph Diffusion [14.536841566365048]
アルツハイマー病(英語: Alzheimer's disease、AD)は、世界中の何百万人もの人に影響を及ぼす複雑な神経変性疾患である。
本研究の目的は,臨床像や病態を特徴とするADのサブタイプを同定することである。
論文 参考訳(メタデータ) (2024-10-04T21:38:14Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease [7.594681424335177]
アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。
本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
論文 参考訳(メタデータ) (2022-10-12T02:52:00Z) - Surreal-GAN:Semi-Supervised Representation Learning via GAN for
uncovering heterogeneous disease-related imaging patterns [4.965264481651854]
本稿では,Surreal-GAN(Semi-SUpeRvised ReprEsentAtion Learning via GAN)を提案する。
我々は、広範囲な半合成実験を通じてモデルを検証し、さらに、アルツハイマー病における生物学的にもっともらしい画像パターンを捉える可能性を示した。
論文 参考訳(メタデータ) (2022-05-09T19:09:28Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-11-25T03:24:52Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-17T10:11:45Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases [3.955454029331185]
マルチスケールクラスタリングを活用することにより,病気の多様性を明らかにする新しい手法MAGICを提案する。
シミュレーションした異種神経解剖学的データを用いてMAGICを検証するとともに、アルツハイマー病(AD)の異種性を探究して臨床応用の可能性を示す。
以上の結果より,大脳皮質大萎縮と大脳皮質大萎縮の2つの亜型は,海馬の微細萎縮と大脳皮質大萎縮の2つからなることが明らかとなった。
論文 参考訳(メタデータ) (2020-07-01T23:42:37Z)
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。