論文の概要: VoxelHop: Successive Subspace Learning for ALS Disease Classification
Using Structural MRI
- arxiv url: http://arxiv.org/abs/2101.05131v1
- Date: Wed, 13 Jan 2021 15:25:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 12:50:48.555276
- Title: VoxelHop: Successive Subspace Learning for ALS Disease Classification
Using Structural MRI
- Title（参考訳）: VoxelHop:構造MRIを用いたALS疾患分類のための逐次サブスペース学習
- Authors: Xiaofeng Liu, Fangxu Xing, Chao Yang, C.-C. Jay Kuo, Suma Babu,
Georges El Fakhri, Thomas Jenkins, Jonghye Woo
- Abstract要約: Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。
一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。
我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
- 参考スコア（独自算出の注目度）: 30.469124322749828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has great potential for accurate detection and classification
of diseases with medical imaging data, but the performance is often limited by
the number of training datasets and memory requirements. In addition, many deep
learning models are considered a "black-box," thereby often limiting their
adoption in clinical applications. To address this, we present a successive
subspace learning model, termed VoxelHop, for accurate classification of
Amyotrophic Lateral Sclerosis (ALS) using T2-weighted structural MRI data.
Compared with popular convolutional neural network (CNN) architectures,
VoxelHop has modular and transparent structures with fewer parameters without
any backpropagation, so it is well-suited to small dataset size and 3D imaging
data. Our VoxelHop has four key components, including (1) sequential expansion
of near-to-far neighborhood for multi-channel 3D data; (2) subspace
approximation for unsupervised dimension reduction; (3) label-assisted
regression for supervised dimension reduction; and (4) concatenation of
features and classification between controls and patients. Our experimental
results demonstrate that our framework using a total of 20 controls and 26
patients achieves an accuracy of 93.48$\%$ and an AUC score of 0.9394 in
differentiating patients from controls, even with a relatively small number of
datasets, showing its robustness and effectiveness. Our thorough evaluations
also show its validity and superiority to the state-of-the-art 3D CNN
classification methods. Our framework can easily be generalized to other
classification tasks using different imaging modalities.
- Abstract（参考訳）: 深層学習は、医療画像データを用いて病気の正確な検出と分類を行う大きな可能性を持っているが、その性能はトレーニングデータセットの数とメモリ要件によって制限されることが多い。
さらに、多くの深層学習モデルは「ブラックボックス」と見なされ、臨床応用における導入を制限することがしばしばある。
そこで本研究では,T2重み付き構造MRIデータを用いた筋萎縮性側索硬化症(ALS)の正確な分類法として,VoxelHopというサブスペース学習モデルを提案する。
一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopは、バックプロパゲーションのないパラメータが少なく、モジュール的で透明な構造であるため、小さなデータセットサイズと3Dイメージングデータに適している。
ボクセルホップは,(1)多チャンネル3次元データに対する近距離近傍の逐次展開,(2)教師なし次元減少のための部分空間近似,(3)教師付き次元減少のためのラベル支援回帰,(4)特徴の結合,コントロールと患者間の分類,の4つの重要な構成要素を有する。
実験の結果,本研究の枠組みは20個のコントロールセットと26個の患者を用いて93.48$\%$,aucスコア0.9394の精度を実現し,比較的少ないデータセットでもそのロバスト性と有効性を示している。
また,最新の3D CNN分類法の有効性と優位性を示した。
我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
関連論文リスト
- The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Multi-Modality Multi-Scale Cardiovascular Disease Subtypes
Classification Using Raman Image and Medical History [2.9315342447802317]
これらの問題に対処する2つのコアモジュールを持つ新しいディープラーニング手法であるM3Sというマルチモードマルチスケールモデルを提案する。
まず,図形角度場(GAF)による様々な解像度画像にRSデータを変換してニュアンスを拡大する。
第2に、RSと医療履歴データを組み合わせて分類能力を高めるために、確率行列と重み行列を用いる。
論文 参考訳（メタデータ） (2023-04-18T22:09:16Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Weakly Supervised 3D Classification of Chest CT using Aggregated
Multi-Resolution Deep Segmentation Features [5.938730586521215]
CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。
マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
論文 参考訳（メタデータ） (2020-10-31T00:16:53Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳（メタデータ） (2020-02-14T17:28:16Z)
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。