論文の概要: Predicting Brain Degeneration with a Multimodal Siamese Neural Network
- arxiv url: http://arxiv.org/abs/2011.00840v1
- Date: Mon, 2 Nov 2020 09:21:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 11:39:58.625269
- Title: Predicting Brain Degeneration with a Multimodal Siamese Neural Network
- Title(参考訳): マルチモーダル・シームズニューラルネットワークによる脳変性の予測
- Authors: Cecilia Ostertag, Marie Beurton-Aimar, Muriel Visani, Thierry Urruty,
Karell Bertet
- Abstract要約: 神経変性疾患の進展を予測するために,マルチモーダル学習のためのニューラルネットワークアーキテクチャを提案する。
本ネットワークは, 被験者57名に対して92.5%の精度, AUCスコア0.978の精度を実現した。
- 参考スコア(独自算出の注目度): 3.114884650164508
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To study neurodegenerative diseases, longitudinal studies are carried on
volunteer patients. During a time span of several months to several years, they
go through regular medical visits to acquire data from different modalities,
such as biological samples, cognitive tests, structural and functional imaging.
These variables are heterogeneous but they all depend on the patient's health
condition, meaning that there are possibly unknown relationships between all
modalities. Some information may be specific to some modalities, others may be
complementary, and others may be redundant. Some data may also be missing. In
this work we present a neural network architecture for multimodal learning,
able to use imaging and clinical data from two time points to predict the
evolution of a neurodegenerative disease, and robust to missing values. Our
multimodal network achieves 92.5\% accuracy and an AUC score of 0.978 over a
test set of 57 subjects. We also show the superiority of the multimodal
architecture, for up to 37.5\% of missing values in test set subjects' clinical
measurements, compared to a model using only the clinical modality.
- Abstract(参考訳): 神経変性疾患を研究するために, ボランティア患者を対象とした縦断的研究を行った。
数ヶ月から数年の間、彼らは定期的に医療訪問を行い、生物学的サンプル、認知テスト、構造的および機能的イメージングなどの様々な指標からデータを取得する。
これらの変数は異種であるが、すべて患者の健康状態に依存しており、全ての形態の間に不明な関係がある可能性がある。
ある情報は特定のモダリティであり、あるものは相補的であり、あるものは冗長である。
一部のデータも欠落している可能性がある。
本研究では, マルチモーダル学習のためのニューラルネットワークアーキテクチャを提案する。脳神経変性疾患の進展を予測するために, 画像と臨床データを2つの時点から利用できる。
我々のマルチモーダルネットワークは、57人の被験者を対象に、92.5\%の精度とAUCスコア0.978の精度を実現している。
また,マルチモーダルアーキテクチャの優位性を示すとともに,検査対象者の臨床測定値の最大37.5\%の欠落を,臨床モダリティのみを用いたモデルと比較した。
関連論文リスト
- Fusion of Diffusion Weighted MRI and Clinical Data for Predicting
Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。
AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
論文 参考訳(メタデータ) (2024-02-16T18:51:42Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳(メタデータ) (2022-10-28T18:58:34Z) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳(メタデータ) (2022-03-11T02:00:27Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳(メタデータ) (2021-01-07T10:17:11Z) - 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) - A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。
慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文 参考訳(メタデータ) (2020-08-14T11:19:32Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z)
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。