論文の概要: MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases
- arxiv url: http://arxiv.org/abs/2007.00812v2
- Date: Fri, 10 Jul 2020 00:50:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 22:28:20.445710
- Title: MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases
- Title(参考訳): MAGIC:脳疾患のマルチスケール不均一性解析とクラスタリング
- Authors: Junhao Wen, Erdem Varol, Ganesh Chand, Aristeidis Sotiras, Christos
Davatzikos
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.955454029331185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is a growing amount of clinical, anatomical and functional evidence for
the heterogeneous presentation of neuropsychiatric and neurodegenerative
diseases such as schizophrenia and Alzheimers Disease (AD). Elucidating
distinct subtypes of diseases allows a better understanding of
neuropathogenesis and enables the possibility of developing targeted treatment
programs. Recent semi-supervised clustering techniques have provided a
data-driven way to understand disease heterogeneity. However, existing methods
do not take into account that subtypes of the disease might present themselves
at different spatial scales across the brain. Here, we introduce a novel
method, MAGIC, to uncover disease heterogeneity by leveraging multi-scale
clustering. We first extract multi-scale patterns of structural covariance
(PSCs) followed by a semi-supervised clustering with double cyclic block-wise
optimization across different scales of PSCs. We validate MAGIC using simulated
heterogeneous neuroanatomical data and demonstrate its clinical potential by
exploring the heterogeneity of AD using T1 MRI scans of 228 cognitively normal
(CN) and 191 patients. Our results indicate two main subtypes of AD with
distinct atrophy patterns that consist of both fine-scale atrophy in the
hippocampus as well as large-scale atrophy in cortical regions. The evidence
for the heterogeneity is further corroborated by the clinical evaluation of two
subtypes, which indicates that there is a subpopulation of AD patients that
tend to be younger and decline faster in cognitive performance relative to the
other subpopulation, which tends to be older and maintains a relatively steady
decline in cognitive abilities.
- Abstract(参考訳): 統合失調症やアルツハイマー病(AD)などの神経精神・神経変性疾患の異質な発現を示す臨床、解剖学的、機能的な証拠が増えている。
疾患の異なるサブタイプを解明することで、神経病原性の理解を深め、標的とする治療プログラムの開発を可能にする。
最近の半教師付きクラスタリング技術は、病気の多様性を理解するデータ駆動の方法を提供する。
しかし、既存の方法では、この病気のサブタイプが脳全体に異なる空間スケールで存在している可能性を考慮していない。
本稿では,マルチスケールクラスタリングを活用して,病気の多様性を明らかにする新しい手法MAGICを提案する。
まず,多スケール構造共分散(PSC)のパターンを抽出し,その後,PSCの異なるスケールにわたる2サイクルブロックワイズ最適化による半教師付きクラスタリングを行った。
認知正常228例(CN)と191例(CN)のT1 MRIスキャンを用いて, MRICを擬似異種神経解剖学的データを用いて検証し, その臨床的有用性について検討した。
以上の結果から,海馬の微細萎縮と皮質域の大規模萎縮の2種類のadサブタイプが,それぞれ異なる萎縮パターンを示した。
この不均一性の証拠は、2つのサブタイプの臨床的評価によってさらに裏付けられ、AD患者は、他のサブタイプと比較してより若く、認知能力がより早く低下する傾向にあり、認知能力の相対的に低下する傾向にあることが示されている。
関連論文リスト
- 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) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳(メタデータ) (2022-01-27T16:37:19Z) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-09-12T22:40:50Z) - 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) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-07-21T08:08:05Z) - 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) - Smile-GANs: Semi-supervised clustering via GANs for dissecting brain
disease heterogeneity from medical images [4.965264481651854]
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。
論文 参考訳(メタデータ) (2020-06-27T02:06:21Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。