Fugu-MT 論文翻訳(概要): Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes

論文の概要: Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes

arxiv url: http://arxiv.org/abs/2008.06151v3
Date: Thu, 20 Aug 2020 06:58:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 17:21:13.310346
Title: Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes
Title（参考訳）: 三角メッシュ上のグラフ畳み込みネットワークを用いたアルツハイマー病認知症分類における脳形態の解釈
Authors: Emanuel A. Azcona, Pierre Besson, Yunan Wu, Arjun Punjabi, Adam Martersteck, Amil Dravid, Todd B. Parrish, S. Kathleen Bandt, Aggelos K. Katsaggelos
Abstract要約: 本研究では,脳皮質下構造のメッシュ表現を用いたアルツハイマー病認知症(ADD)の分類を支援するメッシュベースの手法を提案する。我々は、ADD対健全な制御問題に対して96.35%のテスト精度で、他の機械学習手法よりも優れています。
参考スコア（独自算出の注目度）: 6.088308871328403
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a mesh-based technique to aid in the classification of Alzheimer's disease dementia (ADD) using mesh representations of the cortex and subcortical structures. Deep learning methods for classification tasks that utilize structural neuroimaging often require extensive learning parameters to optimize. Frequently, these approaches for automated medical diagnosis also lack visual interpretability for areas in the brain involved in making a diagnosis. This work: (a) analyzes brain shape using surface information of the cortex and subcortical structures, (b) proposes a residual learning framework for state-of-the-art graph convolutional networks which offer a significant reduction in learnable parameters, and (c) offers visual interpretability of the network via class-specific gradient information that localizes important regions of interest in our inputs. With our proposed method leveraging the use of cortical and subcortical surface information, we outperform other machine learning methods with a 96.35% testing accuracy for the ADD vs. healthy control problem. We confirm the validity of our model by observing its performance in a 25-trial Monte Carlo cross-validation. The generated visualization maps in our study show correspondences with current knowledge regarding the structural localization of pathological changes in the brain associated to dementia of the Alzheimer's type.
Abstract（参考訳）: 本研究では,脳皮質下構造のメッシュ表現を用いたアルツハイマー病認知症(ADD)の分類を支援するメッシュベースの手法を提案する。構造的ニューロイメージングを利用する分類タスクのディープラーニング手法は、最適化するために広範な学習パラメータを必要とすることが多い。自動診断のためのこれらのアプローチは、診断に関わる脳の領域の視覚的解釈性も欠如している。この作品です (a)大脳皮質と皮質下構造の表面情報を用いて脳の形状を分析する。 (b)学習可能なパラメータを大幅に削減する最先端グラフ畳み込みネットワークのための残差学習フレームワークを提案する。 (c) 入力の重要領域をローカライズするクラス固有の勾配情報を通じて,ネットワークの視覚的解釈可能性を提供する。提案手法は皮質および皮質下面情報の利用を活用し,加算対健康管理問題に対して96.35%の精度で他の機械学習手法よりも優れている。モンテカルロクロスバリデーションにおいて,その性能を観測し,本モデルの有効性を確認した。本研究で生成した可視化マップは,アルツハイマー型認知症に関連する脳の病態変化の構造的局在に関する現在の知見と対応している。

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)
Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文参考訳（メタデータ） (2023-11-10T11:49:49Z)
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)
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)
Transfer Learning and Class Decomposition for Detecting the Cognitive Decline of Alzheimer Disease [0.0]
本稿では,SMRI画像からアルツハイマー病を検出するためのクラス分解を用いた転写学習手法を提案する。提案モデルは,アルツハイマー病 (AD) と軽度認知障害 (MCI) と認知正常 (CN) の分類課題における最先端の成績を,文献から3%の精度で達成した。
論文参考訳（メタデータ） (2023-01-31T09:44:52Z)
A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文参考訳（メタデータ） (2022-10-29T19:03:01Z)
An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。まず,表面データに摂動に基づくアプローチを適用した。我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文参考訳（メタデータ） (2022-03-15T23:16:49Z)
A deep learning model for data-driven discovery of functional connectivity [0.0]
本稿では,被験者を分類する学習の一環として,接続構造を学習する深層学習アーキテクチャBrainGNNを提案する。統合失調症 fMRI データセットを用いて,そのモデルの最先端の分類性能を示す。
論文参考訳（メタデータ） (2021-12-07T21:57:32Z)
Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。 5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2021-08-10T10:06:54Z)
Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models [16.218680291606628]
解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
論文参考訳（メタデータ） (2021-02-16T15:57:37Z)
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。