論文の概要: On self-supervised multi-modal representation learning: An application to Alzheimer's disease

• arxiv url: http://arxiv.org/abs/2012.13619v1
• Date: Fri, 25 Dec 2020 19:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 04:32:41.727638
• Title: On self-supervised multi-modal representation learning: An application to Alzheimer's disease
• Title（参考訳）: 自己教師型マルチモーダル表現学習について:アルツハイマー病への応用
• Authors: Alex Fedorov, Lei Wu, Tristan Sylvain, Margaux Luck, Thomas P. DeRamus, Dmitry Bleklov, Sergey M. Plis, Vince D. Calhoun
• Abstract要約: 機能的および構造的脳イメージングを訓練した深い教師付き予測モデルのイントロスペクションはアルツハイマー病の新しいマーカーを明らかにするかもしれない 深い教師なし、そして近年では、分類に偏らない対照的な自己監督的アプローチが、このタスクのより良い候補である。
• 参考スコア（独自算出の注目度）: 21.495288589801476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Introspection of deep supervised predictive models trained on functional and structural brain imaging may uncover novel markers of Alzheimer's disease (AD). However, supervised training is prone to learning from spurious features (shortcut learning) impairing its value in the discovery process. Deep unsupervised and, recently, contrastive self-supervised approaches, not biased to classification, are better candidates for the task. Their multimodal options specifically offer additional regularization via modality interactions. In this paper, we introduce a way to exhaustively consider multimodal architectures for contrastive self-supervised fusion of fMRI and MRI of AD patients and controls. We show that this multimodal fusion results in representations that improve the results of the downstream classification for both modalities. We investigate the fused self-supervised features projected into the brain space and introduce a numerically stable way to do so.
• Abstract（参考訳）: 機能的および構造的脳イメージングで訓練された深い教師付き予測モデルのイントロスペクションは、アルツハイマー病(AD)の新しいマーカーを明らかにする可能性がある。 しかし、教師付きトレーニングは、発見過程においてその価値を損なう刺激的な特徴(ショートカット学習)から学ぶ傾向がある。 深い教師なし、そして近年では、分類に偏らない対照的な自己監督アプローチが、このタスクのより良い候補である。 それらのマルチモーダルオプションは、特にモダリティ相互作用によるさらなる正規化を提供する。 本稿では,AD患者の fMRI と MRI の対比的自己監督的融合のためのマルチモーダルアーキテクチャを徹底的に検討する手法を提案する。 このマルチモーダル融合は,両モーダルの下流分類の結果を改善する表現をもたらすことを示す。 我々は,脳空間に投射される融合自己教師機能について検討し,数値的に安定な方法を導入する。

関連論文リスト

• Multimodal Attention-based Deep Learning for Alzheimer's Disease Diagnosis [9.135911493822261]
  アルツハイマー病(英語: Alzheimer's Disease、AD)は、最も複雑な病原体を持つ神経変性疾患である。 われわれは,ADの有無を正確に検出するためのマルチモーダルアルツハイマー病診断フレームワーク(MADDi)を提案する。
  論文  参考訳（メタデータ） (2022-06-17T15:10:00Z)
• MMLatch: Bottom-up Top-down Fusion for Multimodal Sentiment Analysis [84.7287684402508]
  マルチモーダル融合に対する最近のディープラーニングアプローチは、ハイレベルおよびミドルレベルの潜在モダリティ表現のボトムアップ融合に依存している。 人間の知覚モデルでは、高レベルの表現が感覚入力の知覚に影響を及ぼすトップダウン融合の重要性を強調している。 本稿では,ネットワークトレーニング中のフォワードパスにおけるフィードバック機構を用いて,トップダウンのクロスモーダルインタラクションをキャプチャするニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-24T17:48:04Z)
• FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis [55.29343228661974]
  我々は、フェデレートされたマルチモーダルな教師なし脳画像合成のための新しいベンチマークを構築した(FedMed-GAN)。 本稿では,FedMed-GANの生成モード崩壊問題を解消し,差分プライバシーによる性能低下を軽減するために,新たなエッジ損失を提案する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
  医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。 我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
  論文  参考訳（メタデータ） (2021-10-12T15:05:15Z)
• A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
  アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。 PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
  論文  参考訳（メタデータ） (2021-10-12T03:10:37Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Multi-Disease Detection in Retinal Imaging based on Ensembling Heterogeneous Deep Learning Models [0.0]
  網膜イメージングのための革新的なマルチディセーゼ検出パイプラインを提案する。 当社のパイプラインには、転送学習、クラス重み付け、リアルタイム画像増強、焦点損失利用などの最先端の戦略が含まれます。
  論文  参考訳（メタデータ） (2021-03-26T18:02:17Z)
• Self-Supervised Multimodal Domino: in Search of Biomarkers for Alzheimer's Disease [19.86082635340699]
  自己監督型表現学習アルゴリズムを編成する合理的な方法の分類法を提案する。 まず,おもちゃのマルチモーダルMNISTデータセットのモデルを評価し,アルツハイマー病患者を用いたマルチモーダル・ニューロイメージングデータセットに適用した。 提案手法は,従来の自己教師付きエンコーダデコーダ法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-25T20:28:13Z)

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。