論文の概要: Parkinson's Disease Detection with Ensemble Architectures based on ILSVRC Models

• arxiv url: http://arxiv.org/abs/2007.12496v1
• Date: Thu, 23 Jul 2020 05:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 13:05:09.900472
• Title: Parkinson's Disease Detection with Ensemble Architectures based on ILSVRC Models
• Title（参考訳）: ILSVRCモデルに基づくアンサンブルアーキテクチャによるパーキンソン病検出
• Authors: Tahjid Ashfaque Mostafa, Irene Cheng
• Abstract要約: 磁気共鳴(MR)T1画像を用いたパーキンソン病の同定のためのニューラルネットワークアーキテクチャの検討 提案手法はすべてMR画像からPDを検出する既存の手法より優れており、最大95%の精度で検出できる。 我々の発見は、トレーニングデータがない、あるいは不十分な場合には、有望な方向を示唆している。
• 参考スコア（独自算出の注目度）: 1.8884278918443564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we explore various neural network architectures using Magnetic Resonance (MR) T1 images of the brain to identify Parkinson's Disease (PD), which is one of the most common neurodegenerative and movement disorders. We propose three ensemble architectures combining some winning Convolutional Neural Network models of ImageNet Large Scale Visual Recognition Challenge (ILSVRC). All of our proposed architectures outperform existing approaches to detect PD from MR images, achieving upto 95\% detection accuracy. We also find that when we construct our ensemble architecture using models pretrained on the ImageNet dataset unrelated to PD, the detection performance is significantly better compared to models without any prior training. Our finding suggests a promising direction when no or insufficient training data is available.
• Abstract（参考訳）: 本研究では,脳の磁気共鳴(mr)t1画像を用いて,最も一般的な神経変性・運動障害の一つであるパーキンソン病(pd)を同定する。 本稿では,ImageNet Large Scale Visual Recognition Challenge (ILSVRC) で勝利した畳み込みニューラルネットワークモデルを組み合わせた3つのアンサンブルアーキテクチャを提案する。 提案するアーキテクチャはすべて,mr画像からpdを検出する既存の手法を上回り,最大95%の精度を実現している。 また,imagenetデータセット上で事前トレーニングしたモデルを用いてアンサンブルアーキテクチャを構築すると,事前トレーニングを行わないモデルと比較して検出性能が著しく向上することが分かった。 我々の発見は、トレーニングデータがない、あるいは不十分な場合には有望な方向を示す。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
  本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。 本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。 提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
  論文  参考訳（メタデータ） (2023-11-06T15:17:17Z)
• HNAS-reg: hierarchical neural architecture search for deformable medical image registration [0.8249180979158817]
  本稿では、変形可能な医用画像登録のための最適なネットワークアーキテクチャを特定するための階層型NASフレームワーク(HNAS-Reg)を提案する。 636T1重み付き磁気共鳴画像(MRI)からなる3つのデータセットに対する実験により,提案手法により,画像登録精度が向上し,モデルサイズが小さくなる深層学習モデルを構築することができることを示した。
  論文  参考訳（メタデータ） (2023-08-23T21:47:28Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• ISNAS-DIP: Image-Specific Neural Architecture Search for Deep Image Prior [6.098254376499899]
  DIPフレームワークにおける最適なニューラルアーキテクチャは、画像に依存していることを示す。 本稿では,DIPフレームワークのイメージ固有のNAS戦略を提案する。 実験の結果,画像特異的な指標は探索空間を小さなコホートモデルに還元し,最も優れたモデルが現在のNAS手法より画像復元に優れていることが判明した。
  論文  参考訳（メタデータ） (2021-11-27T13:53:25Z)
• Multi-institutional Collaborations for Improving Deep Learning-based Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
  深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。 これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。 我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2021-03-03T03:04:40Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Parkinson's Disease Detection Using Ensemble Architecture from MR Images [1.8884278918443564]
  磁気共鳴(MR)T1画像を用いたパーキンソン病の同定法について検討した。 MR画像からGray Matter(GM)領域とWhite Matter(WM)領域に注目すると,検出精度が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-01T18:03:23Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Neural Architecture Search for Compressed Sensing Magnetic Resonance Image Reconstruction [36.636219616998225]
  そこで我々は,手作業ではなくNASによるMR画像再構成問題に対して,新しい,効率的なネットワークを提案する。 実験の結果,検索したネットワークは,従来の最先端手法と比較して,より良好な再構成結果が得られることがわかった。 提案手法は, MR再構成問題に対するコストと再構成性能のトレードオフを, 高い一般化性で向上させることができる。
  論文  参考訳（メタデータ） (2020-02-22T04:40:16Z)

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。