論文の概要: Deep Learning for Neuroimaging-based Diagnosis and Rehabilitation of
Autism Spectrum Disorder: A Review
- arxiv url: http://arxiv.org/abs/2007.01285v4
- Date: Mon, 1 Nov 2021 08:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 14:02:43.801464
- Title: Deep Learning for Neuroimaging-based Diagnosis and Rehabilitation of
Autism Spectrum Disorder: A Review
- Title（参考訳）: 自閉症スペクトラム障害の神経画像診断とリハビリテーションのための深層学習
- Authors: Marjane Khodatars, Afshin Shoeibi, Delaram Sadeghi, Navid Ghassemi,
Mahboobeh Jafari, Parisa Moridian, Ali Khadem, Roohallah Alizadehsani, Assef
Zare, Yinan Kong, Abbas Khosravi, Saeid Nahavandi, Sadiq Hussain, U. Rajendra
Acharya, Michael Berk
- Abstract要約: 人工知能(AI)技術は、医師が自動診断とリハビリテーションの手順を適用するのを助ける。
ASDの診断のための深層学習(DL)法は神経画像に基づくアプローチに焦点が当てられている。
本稿では,ASDを識別するためのDLネットワークを用いた研究について述べる。
- 参考スコア（独自算出の注目度）: 14.639115166647871
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate diagnosis of Autism Spectrum Disorder (ASD) followed by effective
rehabilitation is essential for the management of this disorder. Artificial
intelligence (AI) techniques can aid physicians to apply automatic diagnosis
and rehabilitation procedures. AI techniques comprise traditional machine
learning (ML) approaches and deep learning (DL) techniques. Conventional ML
methods employ various feature extraction and classification techniques, but in
DL, the process of feature extraction and classification is accomplished
intelligently and integrally. DL methods for diagnosis of ASD have been focused
on neuroimaging-based approaches. Neuroimaging techniques are non-invasive
disease markers potentially useful for ASD diagnosis. Structural and functional
neuroimaging techniques provide physicians substantial information about the
structure (anatomy and structural connectivity) and function (activity and
functional connectivity) of the brain. Due to the intricate structure and
function of the brain, proposing optimum procedures for ASD diagnosis with
neuroimaging data without exploiting powerful AI techniques like DL may be
challenging. In this paper, studies conducted with the aid of DL networks to
distinguish ASD are investigated. Rehabilitation tools provided for supporting
ASD patients utilizing DL networks are also assessed. Finally, we will present
important challenges in the automated detection and rehabilitation of ASD and
propose some future works.
- Abstract（参考訳）: 自閉症スペクトラム障害(ASD)の正確な診断と効果的なリハビリテーションが本疾患の管理に不可欠である。
人工知能(AI)技術は、医師が自動診断とリハビリテーションの手順を適用するのを助ける。
AI技術は、従来の機械学習(ML)アプローチとディープラーニング(DL)技術で構成される。
従来のml法は様々な特徴抽出と分類技術を用いるが、dlでは特徴抽出と分類のプロセスは知的かつ統合的に達成される。
ASDの診断のためのDL法は神経画像に基づくアプローチに焦点を当てている。
神経イメージング技術は、ASD診断に有用な非侵襲性疾患マーカーである。
構造的および機能的ニューロイメージング技術は、医師に脳の構造(解剖学と構造的接続)と機能(活動と機能的接続)に関する重要な情報を提供する。
脳の複雑な構造と機能のため、DLのような強力なAI技術を活用することなく、神経画像データを用いたASD診断のための最適な手順を提案することは困難である。
本稿では,ASDを識別するためのDLネットワークを用いた研究について述べる。
DLネットワークを利用したASD患者を支援するためのリハビリテーションツールも評価した。
最後に,ASDの自動検出と修復において重要な課題を提示し,今後の課題を提案する。
関連論文リスト
- Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Automatic Autism Spectrum Disorder Detection Using Artificial
Intelligence Methods with MRI Neuroimaging: A Review [11.1297848681272]
従来の機械学習(ML)とディープラーニング(DL)は、ASDの診断に使用されるAIの最も一般的なスキームである。
本研究はAIを用いたASDの自動検出の見直しを目的とする。
論文 参考訳（メタデータ） (2022-06-20T16:14:21Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳（メタデータ） (2022-06-02T07:57:17Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Applications of Epileptic Seizures Detection in Neuroimaging Modalities
Using Deep Learning Techniques: Methods, Challenges, and Future Works [12.393282115173387]
てんかん発作は、世界中の多くの人々に影響を及ぼす神経疾患の一種である。
専門医や神経学者は、様々な種類のてんかん発作を診断するために、構造的および機能的な神経画像モダリティを利用する。
てんかん発作の正確かつ迅速な診断を早める1つの方法は、人工知能(AI)と機能的および構造的ニューロイメージングモダリティに基づくコンピュータ支援診断システム(CADS)を採用することである。
論文 参考訳（メタデータ） (2021-05-29T12:00:39Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - Review of Machine Learning Algorithms for Brain Stroke Diagnosis and
Prognosis by EEG Analysis [50.591267188664666]
ストローク(Strokes)は、アメリカ合衆国の成人障害の主要な原因である。
脳-コンピュータインタフェース(Brain-Computer Interfaces、BCI)は、患者の神経経路の回復または電子補綴器との効果的なコミュニケーションを支援する。
さまざまな機械学習技術とアルゴリズムをBCI技術と組み合わせることで、脳卒中治療にBCIを使うことは、有望で急速に拡大する分野であることを示している。
論文 参考訳（メタデータ） (2020-08-06T19:50:29Z) - Epileptic Seizures Detection Using Deep Learning Techniques: A Review [11.545463604424697]
本研究では,ディープラーニング(DL)技術とニューロイメージングを用いたてんかん発作の自動検出に焦点を当てた。
脳波とMRIを用いたてんかんの診断法について述べる。
脳波とMRIを併用したDLを用いたてんかん自動発作の正確な検出の課題について論じる。
論文 参考訳（メタデータ） (2020-07-02T17:34:02Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
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。