論文の概要: Biomechanical modelling of brain atrophy through deep learning
- arxiv url: http://arxiv.org/abs/2012.07596v1
- Date: Mon, 14 Dec 2020 14:40:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 23:58:08.981382
- Title: Biomechanical modelling of brain atrophy through deep learning
- Title(参考訳): 深層学習による脳萎縮の生体力学的モデリング
- Authors: Mariana da Silva, Kara Garcia, Carole H. Sudre, Cher Bass, M. Jorge
Cardoso, Emma Robinson
- Abstract要約: このツールは、アルツハイマー病ニューロイメージングイニシアティブデータセットの縦方向の脳肥大データを使用して検証されます。
訓練されたモデルでは,新しい脳の変形を最小限の残差で高速にシミュレートできることを実証する。
この方法は、データ増強や、脳の成長と萎縮を反映する様々な因果仮説の探索に使用される可能性がある。
- 参考スコア(独自算出の注目度): 4.67368836235476
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a proof-of-concept, deep learning (DL) based, differentiable
biomechanical model of realistic brain deformations. Using prescribed maps of
local atrophy and growth as input, the network learns to deform images
according to a Neo-Hookean model of tissue deformation. The tool is validated
using longitudinal brain atrophy data from the Alzheimer's Disease Neuroimaging
Initiative (ADNI) dataset, and we demonstrate that the trained model is capable
of rapidly simulating new brain deformations with minimal residuals. This
method has the potential to be used in data augmentation or for the exploration
of different causal hypotheses reflecting brain growth and atrophy.
- Abstract(参考訳): 本稿では,概念実証,深層学習(DL)に基づく現実的な脳変形の生体力学的モデルを提案する。
局所萎縮と成長の所定のマップを入力として、ネットワークは組織変形のネオ・フックモデルに従って画像の変形を学習する。
このツールは、アルツハイマー病神経画像イニシアチブ(ADNI)データセットの経時的脳萎縮データを用いて検証され、トレーニングされたモデルは、最小限の残差で新しい脳の変形を迅速にシミュレートできることを示した。
この方法は、データ増強や、脳の成長と萎縮を反映する様々な因果仮説の探索に使用される可能性がある。
関連論文リスト
- 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) - Retinotopy Inspired Brain Encoding Model and the All-for-One Training
Recipe [14.943061215875655]
3つの画像モダリティにまたがる5つの公開データセットから100万以上のデータポイントを用いて、脳エンコーディングモデルを事前訓練した。
本稿では、一般的に使用される視覚バックボーンモデルのドロップイン置換として、事前学習モデルの有効性を示す。
論文 参考訳(メタデータ) (2023-07-26T08:06:40Z) - Does pre-training on brain-related tasks results in better
deep-learning-based brain age biomarkers? [4.114671069824331]
脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。
軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。
論文 参考訳(メタデータ) (2023-07-11T13:16:04Z) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - 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) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳(メタデータ) (2022-07-07T15:37:17Z) - Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation
of Brain Atrophy using Deep Networks [5.411313268782566]
健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。
このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。
その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
論文 参考訳(メタデータ) (2021-08-18T15:58:53Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - 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。