論文の概要: Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional
Neural Network Model based on Fusion MRI Sequences
- arxiv url: http://arxiv.org/abs/2010.03963v1
- Date: Wed, 7 Oct 2020 01:24:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-10 00:22:30.647000
- Title: Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional
Neural Network Model based on Fusion MRI Sequences
- Title(参考訳): 核融合MRIを用いた3次元畳み込みニューラルネットワークモデルを用いた幼児の神経発達年齢推定
- Authors: M. Shabanian, A. Siddiqui, H. Chen, J.P. DeVincenzo
- Abstract要約: 脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。
3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
- 参考スコア(独自算出の注目度): 0.08341869765517104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to determine if the brain is developing normally is a key
component of pediatric neuroradiology and neurology. Brain magnetic resonance
imaging (MRI) of infants demonstrates a specific pattern of development beyond
simply myelination. While radiologists have used myelination patterns, brain
morphology and size characteristics in determining if brain maturity matches
the chronological age of the patient, this requires years of experience with
pediatric neuroradiology. Due to the lack of standardized criteria, estimation
of brain maturity before age three remains fraught with interobserver and
intraobserver variability. An objective measure of brain developmental age
estimation (BDAE) could be a useful tool in helping physicians identify
developmental delay as well as other neurological diseases. We investigated a
three-dimensional convolutional neural network (3D CNN) to rapidly classify
brain developmental age using common MRI sequences. MRI datasets from normal
newborns were obtained from the National Institute of Mental Health Data
Archive from birth to 3 years. We developed a BDAE method using T1-weighted, as
well as a fusion of T1-weighted, T2-weighted, and proton density (PD) sequences
from 112 individual subjects using 3D CNN. We achieved a precision of 94.8% and
a recall of 93.5% in utilizing multiple MRI sequences in determining BDAE.
- Abstract(参考訳): 脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。
乳児の脳磁気共鳴画像(MRI)は、単純なミエリン化以上の発達パターンを示す。
放射線科医は、患者の年齢と脳の成熟度が一致しているかどうかを判断するために、ミネリテーションパターン、脳の形態、大きさの特徴を用いたが、これは小児神経放射線学の長年の経験を必要とする。
標準化された基準がないため、3歳前の脳の成熟度の推定は、インターオブザーバとイントラオブザーバの変動性に乏しいままである。
脳発達年齢推定(bdae:brain developmental age estimation)の客観的指標は、他の神経疾患と同様に発達遅延を医師が特定するのに役立つ。
3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
正常新生児のMRIデータセットは、National Institute of Mental Health Data Archiveから出生から3年間取得された。
3d cnnを用いて,t1重み付け,t2重み付け,およびプロトン密度(pd)配列の融合を行うとともに,t1重み付けを用いたbdae法を開発した。
BDAE判定に複数のMRIシークエンスを利用した場合,94.8%の精度,93.5%のリコールを実現した。
関連論文リスト
- Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳(メタデータ) (2025-01-02T19:37:09Z) - Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。
現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。
我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。
我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
論文 参考訳(メタデータ) (2024-12-01T21:54:08Z) - Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
論文 参考訳(メタデータ) (2024-02-21T12:54:40Z) - Triamese-ViT: A 3D-Aware Method for Robust Brain Age Estimation from
MRIs [0.7770029179741429]
本稿では,脳年齢推定のためのViTモデルの革新的適応であるTriamese-ViTを紹介する。
1351のMRIスキャンでテストした結果、Triamese-ViTは平均絶対誤差(MAE)が3.84、スピアマン相関係数が0.9、スピアマン相関係数が-0.29である。
論文 参考訳(メタデータ) (2024-01-13T03:29:56Z) - Robust Brain Age Estimation via Regression Models and MRI-derived
Features [2.028990630951476]
本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。
提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
論文 参考訳(メタデータ) (2023-06-08T19:07:22Z) - 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) - Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small
Dataset [0.14063138455565613]
乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。
標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。
我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。
中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
論文 参考訳(メタデータ) (2021-12-27T18:02:48Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - 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) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
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。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z)
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。