論文の概要: White matter hyperintensities volume and cognition: Assessment of a deep learning based lesion detection and quantification algorithm on the Alzheimers Disease Neuroimaging Initiative

• arxiv url: http://arxiv.org/abs/2012.13059v1
• Date: Thu, 24 Dec 2020 01:32:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 08:22:00.597881
• Title: White matter hyperintensities volume and cognition: Assessment of a deep learning based lesion detection and quantification algorithm on the Alzheimers Disease Neuroimaging Initiative
• Title（参考訳）: white matter hyperintensities volume and cognition:アルツハイマー病の神経画像化イニシアチブにおける深層学習に基づく病変検出と定量化アルゴリズムの評価
• Authors: Lavanya Umapathy, Gloria Guzman Perez-Carillo, Blair Winegar, Srinivasan Vedantham, Maria Altbach, and Ali Bilgin
• Abstract要約: 深層学習に基づくWMHセグメンテーションアルゴリズムStackGen-Netを用いて,ADNIから3次元FLAIRボリューム上でWMHを検出し定量化する。 被験者のより大きなコホートでは、より大きなWMHがエグゼクティブ機能、メモリ、および言語のパフォーマンスの悪化と相関があることを観察しました。
• 参考スコア（独自算出の注目度）: 0.46180371154032895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The relationship between cognition and white matter hyperintensities (WMH) volumes often depends on the accuracy of the lesion segmentation algorithm used. As such, accurate detection and quantification of WMH is of great interest. Here, we use a deep learning-based WMH segmentation algorithm, StackGen-Net, to detect and quantify WMH on 3D FLAIR volumes from ADNI. We used a subset of subjects (n=20) and obtained manual WMH segmentations by an experienced neuro-radiologist to demonstrate the accuracy of our algorithm. On a larger cohort of subjects (n=290), we observed that larger WMH volumes correlated with worse performance on executive function (P=.004), memory (P=.01), and language (P=.005).
• Abstract（参考訳）: 認知と白質ハイパーインテンシティ(WMH)のボリュームの関係は、しばしば使用する病変分割アルゴリズムの精度に依存する。 したがって、WMHの正確な検出と定量化は非常に興味深い。 本稿では,深層学習に基づくWMHセグメンテーションアルゴリズムStackGen-Netを用いて,ADNIから3次元FLAIRボリューム上でWMHを検出し定量化する。 被験者のサブセット(n=20)と経験者神経放射線科医による手動WMHセグメンテーションを用いて,アルゴリズムの精度を実証した。 対象者のより大きなコホート(n=290)では, より大きなWMHボリュームが, 実行機能(P=.004), メモリ(P=.01), 言語(P=.005)の悪化と相関していることがわかった。

関連論文リスト

• P-Count: Persistence-based Counting of White Matter Hyperintensities in Brain MRI [6.710421562390863]
  白色物質過敏症(WMH)は脳血管疾患と多発性硬化症の指標である。 病変の数はノイズやセグメンテーションミスに非常に敏感である。 永続ホモロジーに基づく代数的WMHカウントツールであるP-Countを提案する。
  論文  参考訳（メタデータ） (2024-03-20T21:52:02Z)
• Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
  脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。 医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。 本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。 ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
  論文  参考訳（メタデータ） (2023-12-31T20:42:52Z)
• White Matter Hyperintensities Segmentation Using Probabilistic TransUNet [0.0]
  ホワイト・マター・ハイパーインテンシティ(White Matter Hyperintensities、WMH)は、他の通常の脳領域よりも高い強度を持つ脳の領域である。 WMHの検出には、高い曖昧さと小さなWMHの検出の難しさの2つの共通点がある。 本稿では,小物体分割の精度と医用画像のあいまいさに対処するため,確率的トランスUNetという手法を提案する。
  論文  参考訳（メタデータ） (2023-05-06T03:31:56Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• An Improved Deep Convolutional Neural Network by Using Hybrid Optimization Algorithms to Detect and Classify Brain Tumor Using Augmented MRI Images [0.9990687944474739]
  本稿では,最適化アルゴリズムを改良することにより,深層畳み込み学習の改善を実現する。 提案手法の性能を2073個のMRI画像で検証する実験を行った。 性能比較では、DCNN-G-HHOは既存の手法よりもはるかに成功しており、特にスコアの精度は97%である。
  論文  参考訳（メタデータ） (2022-06-08T14:29:06Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)

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。