論文の概要: Patch-based Brain Age Estimation from MR Images
- arxiv url: http://arxiv.org/abs/2008.12965v2
- Date: Thu, 1 Oct 2020 13:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 17:21:23.495677
- Title: Patch-based Brain Age Estimation from MR Images
- Title（参考訳）: mr画像からのパッチベース脳年齢推定
- Authors: Kyriaki-Margarita Bintsi, Vasileios Baltatzis, Arinbj\"orn
Kolbeinsson, Alexander Hammers, Daniel Rueckert
- Abstract要約: 磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
- 参考スコア（独自算出の注目度）: 64.66978138243083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain age estimation from Magnetic Resonance Images (MRI) derives the
difference between a subject's biological brain age and their chronological
age. This is a potential biomarker for neurodegeneration, e.g. as part of
Alzheimer's disease. Early detection of neurodegeneration manifesting as a
higher brain age can potentially facilitate better medical care and planning
for affected individuals. Many studies have been proposed for the prediction of
chronological age from brain MRI using machine learning and specifically deep
learning techniques. Contrary to most studies, which use the whole brain
volume, in this study, we develop a new deep learning approach that uses 3D
patches of the brain as well as convolutional neural networks (CNNs) to develop
a localised brain age estimator. In this way, we can obtain a visualization of
the regions that play the most important role for estimating brain age, leading
to more anatomically driven and interpretable results, and thus confirming
relevant literature which suggests that the ventricles and the hippocampus are
the areas that are most informative. In addition, we leverage this knowledge in
order to improve the overall performance on the task of age estimation by
combining the results of different patches using an ensemble method, such as
averaging or linear regression. The network is trained on the UK Biobank
dataset and the method achieves state-of-the-art results with a Mean Absolute
Error of 2.46 years for purely regional estimates, and 2.13 years for an
ensemble of patches before bias correction, while 1.96 years after bias
correction.
- Abstract（参考訳）: 磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
これは、例えばアルツハイマー病の一部としての神経変性の潜在的なバイオマーカーである。
神経変性の早期発見は、より高い脳年齢を呈し、より優れた医療と影響を受けた個人の計画を促進する可能性がある。
機械学習および特に深層学習技術を用いて、脳MRIから時系列年齢を予測するための多くの研究が提案されている。
本研究は,脳の体積全体を用いたほとんどの研究とは対照的に,脳の3次元パッチと畳み込みニューラルネットワーク(CNN)を用いて,局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
このようにして、脳年齢の推定に最も重要な役割を果たす領域の可視化が可能となり、解剖学的に駆動され、解釈可能な結果が得られ、心室と海馬が最も有益であることを示す関連文献を確認することができる。
さらに, 平均化や線形回帰といったアンサンブル法を用いて, 異なるパッチの結果を組み合わせることにより, 年齢推定タスク全体の性能を向上させるために, この知識を活用する。
ネットワークは英国バイオバンクのデータセットに基づいてトレーニングされており、この手法は純粋な地域推定のために平均絶対誤差を2.46年、バイアス補正の前にパッチのアンサンブルを2.13年、バイアス補正から1.96年で達成している。
関連論文リスト
- AGE2HIE: Transfer Learning from Brain Age to Predicting Neurocognitive Outcome for Infant Brain Injury [4.561582228399592]
低酸素性虚血性脳症(HIE)は新生児1,000人中1人から5人に影響を及ぼす。
深層学習モデルを用いたHIE関連神経認知結果の早期かつ正確な予測が重要である。
論文 参考訳（メタデータ） (2024-11-07T21:24:54Z) - Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文 参考訳（メタデータ） (2024-03-02T16:13:06Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Brain Structure Ages -- A new biomarker for multi-disease classification [0.0]
構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。
脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
論文 参考訳（メタデータ） (2023-04-13T14:56:51Z) - Deep Learning for Brain Age Estimation: A Systematic Review [41.292656643344294]
機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。
ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
論文 参考訳（メタデータ） (2022-12-07T15:19:59Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z)
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。