論文の概要: Learning Shape Features and Abstractions in 3D Convolutional Neural
Networks for Detecting Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2009.05023v1
- Date: Thu, 10 Sep 2020 17:41:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:19:46.967687
- Title: Learning Shape Features and Abstractions in 3D Convolutional Neural
Networks for Detecting Alzheimer's Disease
- Title（参考訳）: アルツハイマー病検出のための3次元畳み込みニューラルネットワークの学習形状の特徴と抽象化
- Authors: Md Motiur Rahman Sagar, Martin Dyrba
- Abstract要約: 本論文では,アルツハイマー病を検出するための3D ConvNets による学習形状の特徴と抽象化について検討した。
異なるモデルのLRP関連マップでは、どの部位が分類決定に関連しているかが明らかにされた。
最後に,畳み込み型オートエンコーダからの伝達学習を実施し,入力パッチによるトレーニングサンプル数の増加が学習機能やモデル性能を向上させるかを確認した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Neural Networks - especially Convolutional Neural Network (ConvNet) has
become the state-of-the-art for image classification, pattern recognition and
various computer vision tasks. ConvNet has a huge potential in medical domain
for analyzing medical data to diagnose diseases in an efficient way. Based on
extracted features by ConvNet model from MRI data, early diagnosis is very
crucial for preventing progress and treating the Alzheimer's disease. Despite
having the ability to deliver great performance, absence of interpretability of
the model's decision can lead to misdiagnosis which can be life threatening. In
this thesis, learned shape features and abstractions by 3D ConvNets for
detecting Alzheimer's disease were investigated using various visualization
techniques. How changes in network structures, used filters sizes and filters
shapes affects the overall performance and learned features of the model were
also inspected. LRP relevance map of different models revealed which parts of
the brain were more relevant for the classification decision. Comparing the
learned filters by Activation Maximization showed how patterns were encoded in
different layers of the network. Finally, transfer learning from a
convolutional autoencoder was implemented to check whether increasing the
number of training samples with patches of input to extract the low-level
features improves learned features and the model performance.
- Abstract（参考訳）: ディープニューラルネットワーク - 特に畳み込みニューラルネットワーク(ConvNet)は、画像分類、パターン認識、様々なコンピュータビジョンタスクの最先端技術となっている。
ConvNetは、医療データを分析して疾患を効率的に診断する医療分野において大きな可能性を秘めている。
MRIデータから抽出したConvNetモデルの特徴から,早期診断は進行を予防し,アルツハイマー病の治療に極めて重要である。
優れた性能を提供する能力があるにもかかわらず、モデルの判断の解釈不能は、生命を脅かす可能性のある誤診断につながる可能性がある。
本論文では,アルツハイマー病検出のための3D ConvNets による形状特徴と抽象化について,様々な可視化手法を用いて検討した。
ネットワーク構造, 使用フィルタサイズ, フィルタ形状の変化が全体的な性能にどのように影響するか, モデルの特徴を調べた。
異なるモデルのlrp関連マップにより、脳のどの部分が分類決定により関連があるかが明らかになった。
Activation Maximizationによる学習したフィルタを比較すると、パターンがネットワークの異なる層にどのようにエンコードされたかがわかる。
最後に,畳み込みオートエンコーダからの伝達学習を実施し,入力パッチによるトレーニングサンプル数の増加による低レベルの特徴抽出による学習特徴とモデル性能の向上を確認した。
関連論文リスト
- Attention-based Efficient Classification for 3D MRI Image of Alzheimer's
Disease [2.6793044027881865]
本研究では、畳み込みニューラルネットワークに基づくアルツハイマー病検出モデルを提案する。
実験結果から, 使用した2次元融合アルゴリズムは, モデルのトレーニングコストを効果的に向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T12:18:46Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Toward more frugal models for functional cerebral networks automatic
recognition with resting-state fMRI [3.0614165499580777]
我々は、スーパーボクセルの形式で異なる符号化手法を調査し、その後、パフォーマンスの損失を追跡しながら、モデルの複雑さを減らすためにグラフを作成している。
このアプローチは、脳腫瘍患者の安静時機能ネットワークの認識タスクについて説明する。
論文 参考訳（メタデータ） (2023-07-04T23:06:57Z) - 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) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Feature Representation Learning for Robust Retinal Disease Detection
from Optical Coherence Tomography Images [0.0]
眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。
本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。
2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
論文 参考訳（メタデータ） (2022-06-24T07:59:36Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳（メタデータ） (2022-04-21T08:23:44Z) - Feature robustness and sex differences in medical imaging: a case study
in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。
訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文 参考訳（メタデータ） (2022-04-04T17:37:54Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。