論文の概要: Bidirectional Modeling and Analysis of Brain Aging with Normalizing Flows

• arxiv url: http://arxiv.org/abs/2011.13484v1
• Date: Thu, 26 Nov 2020 22:23:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 09:13:21.044235
• Title: Bidirectional Modeling and Analysis of Brain Aging with Normalizing Flows
• Title（参考訳）: 正規化流による脳老化の双方向モデリングと解析
• Authors: Matthias Wilms and Jordan J. Bannister and Pauline Mouches and M. Ethan MacDonald and Deepthi Rajashekar and S\"onke Langner and Nils D. Forkert
• Abstract要約: 我々の正規化フロー脳老化モデルでは、脳の老化を正確に予測し、老化特異的な脳形態学テンプレートを生成できることが示されている。 この研究は、3次元脳形態学と強力な正規化フローを持つ臨床変数との間の機能的関係の統一モデリングへのステップである。
• 参考スコア（独自算出の注目度）: 0.029166550202547086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain aging is a widely studied longitudinal process throughout which the brain undergoes considerable morphological changes and various machine learning approaches have been proposed to analyze it. Within this context, brain age prediction from structural MR images and age-specific brain morphology template generation are two problems that have attracted much attention. While most approaches tackle these tasks independently, we assume that they are inverse directions of the same functional bidirectional relationship between a brain's morphology and an age variable. In this paper, we propose to model this relationship with a single conditional normalizing flow, which unifies brain age prediction and age-conditioned generative modeling in a novel way. In an initial evaluation of this idea, we show that our normalizing flow brain aging model can accurately predict brain age while also being able to generate age-specific brain morphology templates that realistically represent the typical aging trend in a healthy population. This work is a step towards unified modeling of functional relationships between 3D brain morphology and clinical variables of interest with powerful normalizing flows.
• Abstract（参考訳）: 脳の老化は広く研究されている縦断的プロセスであり、脳は形態学的変化を起こし、様々な機械学習アプローチが提案されている。 この文脈において、構造的mr画像からの脳年齢予測と年齢特異的脳形態テンプレート生成は、多くの注目を集めている2つの問題である。 ほとんどのアプローチは独立してこれらの課題に取り組むが、それらは脳の形態と年齢変数の間の同じ機能的双方向関係の逆方向であると仮定する。 本稿では,この関係を単一条件正規化フローにモデル化し,新しい方法で脳年齢予測と年齢条件生成モデルを統合することを提案する。 本概念の初回評価では, 正常化脳老化モデルにより, 脳年齢を正確に予測できるとともに, 健常人口における典型的な老化傾向を現実的に表す年齢特異的脳形態学テンプレートを生成できることが示されている。 この研究は、3次元脳形態学と強力な正規化フローを持つ臨床変数との間の機能的関係の統一モデリングへのステップである。

関連論文リスト

• Contrastive Learning with Adaptive Neighborhoods for Brain Age Prediction on 3D Stiffness Maps [8.14243193774551]
  そこで本研究では,サンプルの局所的な領域に着目して,トレーニングプロセス中に動的に適応する新たなコントラスト損失を提案する。 この研究は、脳の年齢を予測するために、コンパイルされた剛性マップを用いて、脳の機械的特性に対する自己教師あり学習の最初の応用を示す。
  論文  参考訳（メタデータ） (2024-08-01T12:58:19Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• 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)
• Brain Structural Saliency Over The Ages [0.41998444721319217]
  524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。 老化過程を通じて異なる脳領域への関連性の変化を示す。 地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
  論文  参考訳（メタデータ） (2022-01-12T09:50:29Z)
• 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)
• 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)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。