論文の概要: DeepAtrophy: Teaching a Neural Network to Differentiate Progressive
Changes from Noise on Longitudinal MRI in Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2010.12948v1
- Date: Sat, 24 Oct 2020 18:23:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 13:46:24.579149
- Title: DeepAtrophy: Teaching a Neural Network to Differentiate Progressive
Changes from Noise on Longitudinal MRI in Alzheimer's Disease
- Title(参考訳): deepatrophy:アルツハイマー病の縦型mriにおける進行性変化とノイズとの区別をニューラルネットワークに教える
- Authors: Mengjin Dong, Long Xie, Sandhitsu R. Das, Jiancong Wang, Laura E.M.
Wisse, Robin deFlores, David A. Wolk, Paul Yushkevich (for the Alzheimer's
Disease Neuroimaging Initiative)
- Abstract要約: 経時的MRI変化測定は非生物学的因子によって構成できる。
深層学習法は、生物学的変化と非生物学的要因を区別するために訓練することができる。
- 参考スコア(独自算出の注目度): 1.465540676497032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Volume change measures derived from longitudinal MRI (e.g. hippocampal
atrophy) are a well-studied biomarker of disease progression in Alzheimer's
Disease (AD) and are used in clinical trials to track the therapeutic efficacy
of disease-modifying treatments. However, longitudinal MRI change measures can
be confounded by non-biological factors, such as different degrees of head
motion and susceptibility artifact between pairs of MRI scans. We hypothesize
that deep learning methods applied directly to pairs of longitudinal MRI scans
can be trained to differentiate between biological changes and non-biological
factors better than conventional approaches based on deformable image
registration. To achieve this, we make a simplifying assumption that biological
factors are associated with time (i.e. the hippocampus shrinks overtime in the
aging population) whereas non-biological factors are independent of time. We
then formulate deep learning networks to infer the temporal order of
same-subject MRI scans input to the network in arbitrary order; as well as to
infer ratios between interscan intervals for two pairs of same-subject MRI
scans. In the test dataset, these networks perform better in tasks of temporal
ordering (89.3%) and interscan interval inference (86.1%) than a
state-of-the-art deformation-based morphometry method ALOHA (76.6% and 76.1%
respectively) (Das et al., 2012). Furthermore, we derive a disease progression
score from the network that is able to detect a group difference between 58
preclinical AD and 75 beta-amyloid-negative cognitively normal individuals
within one year, compared to two years for ALOHA. This suggests that deep
learning can be trained to differentiate MRI changes due to biological factors
(tissue loss) from changes due to non-biological factors, leading to novel
biomarkers that are more sensitive to longitudinal changes at the earliest
stages of AD.
- Abstract(参考訳): 縦型MRI(例えば海馬萎縮症)による体積変化測定は、アルツハイマー病(AD)における疾患進行のよく研究されたバイオマーカーであり、疾患修正治療の治療効果を追跡するために臨床試験で用いられている。
しかし、縦方向MRI変化測定は、頭部運動の度合いや、MRIスキャンのペア間での感受性アーティファクトなど、非生物学的要因によって構成することができる。
縦型mriスキャンのペアに直接深層学習法を適用することで、変形可能な画像登録に基づく従来のアプローチよりも生物学的変化と非生物学的要因の区別を訓練できると仮定した。
これを実現するために、生物学的要因が時間と結びついているという仮定を単純化する(すなわち、海馬は高齢化において残業時間を減少させる)が、非生物学的要因は時間とは無関係である。
次に、深層学習ネットワークを定式化し、任意の順序で入力された同対象MRIスキャンの時間順を推定するとともに、2対の同対象MRIスキャンに対するスキャン間隔間の比を推定する。
テストデータセットでは、これらのネットワークは時間順序 (89.3%) とスカン間隔推定 (86.1%) のタスクにおいて、最先端の変形に基づく形態計測法 aloha (76.6% と 76.1%) よりも優れた性能を示す(das et al., 2012)。
さらに, ALOHAの2年に比べ, ALOHAの58例と75例のβ-アミロイド陰性認知正常者との集団差を1年以内に検出できるネットワークから, 病状進行スコアを導出した。
これは,非生物学的因子による変化と生物学的要因によるMRI変化を区別するためにディープラーニングを訓練できることを示唆し,ADの初期段階において,より経時変化に敏感な新しいバイオマーカーが生み出された。
関連論文リスト
- Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment [2.474908349649168]
軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。
本研究では,6種類の被験者の脳ネットワークに関連する神経変性のトポロジカルな変化を調べるための,新しい微粒化分析法を提案する。
論文 参考訳(メタデータ) (2024-08-28T09:01:55Z) - Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。
いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文 参考訳(メタデータ) (2024-08-04T13:09:06Z) - Spatio-Temporal Similarity Measure based Multi-Task Learning for
Predicting Alzheimer's Disease Progression using MRI Data [18.669489433316127]
本稿では,アルツハイマー病の進行を効果的に予測するための,新しい時間的類似度尺度に基づくマルチタスク学習手法を提案する。
また, バイオマーカー間の関係の変化を識別するために, 縦方向の安定性の選択を行うことも可能である。
本研究では,皮質体積および表面積の相乗的劣化指標が認知的予測に有意な影響を及ぼすことを証明した。
論文 参考訳(メタデータ) (2023-11-06T21:59:19Z) - Regional Deep Atrophy: a Self-Supervised Learning Method to
Automatically Identify Regions Associated With Alzheimer's Disease
Progression From Longitudinal MRI [1.465540676497032]
本稿では,DeepAtrophyからの時間的推論アプローチと変形可能な登録ニューラルネットワークとアテンション機構を組み合わせた地域深部萎縮症を提案する。
DeepAtrophyは、時間的順序や相対的なスキャン間隔などの経時的MRIスキャンから時間的情報を推測する際の精度が高い。
RDAはDeepAtrophyと類似した予測精度を持っているが、その追加の解釈可能性により、臨床環境での使用がより受け入れられる。
論文 参考訳(メタデータ) (2023-04-10T15:50:19Z) - Longformer: Longitudinal Transformer for Alzheimer's Disease
Classification with Structural MRIs [1.9450973046619378]
本稿では,各時点のsMRI上で空間的に注意機構を実行するトランスフォーマーネットワークであるLongformerを提案する。
我々のLongformerは、ADデータセットを用いてアルツハイマー病(AD)の異なる段階を分離する2つのバイナリ分類タスクにおいて、最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2023-02-02T06:38:00Z) - 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) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - 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) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳(メタデータ) (2020-08-05T08:49:20Z) - 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) - Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。
この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
論文 参考訳(メタデータ) (2020-01-14T22:55:03Z)
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。