論文の概要: Detection of Alzheimer's Disease Using Graph-Regularized Convolutional Neural Network Based on Structural Similarity Learning of Brain Magnetic Resonance Images

• arxiv url: http://arxiv.org/abs/2102.13517v1
• Date: Thu, 25 Feb 2021 14:49:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 14:07:08.523496
• Title: Detection of Alzheimer's Disease Using Graph-Regularized Convolutional Neural Network Based on Structural Similarity Learning of Brain Magnetic Resonance Images
• Title（参考訳）: 脳磁気共鳴画像の構造類似性学習に基づくグラフ正規化畳み込みニューラルネットワークによるアルツハイマー病の検出
• Authors: Kuo Yang, Emad A. Mohammed, Behrouz H. Far
• Abstract要約: 磁気共鳴画像(MRI)間の構造的類似性を学習したアルツハイマー病(AD)検出法を提案する。 入力画像の埋め込み特徴(Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), Moderated Demented (MDTD))を用いて類似度グラフを構築する。
• 参考スコア（独自算出の注目度）: 3.478478232710667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: This paper presents an Alzheimer's disease (AD) detection method based on learning structural similarity between Magnetic Resonance Images (MRIs) and representing this similarity as a graph. Methods: We construct the similarity graph using embedded features of the input image (i.e., Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), and Moderated Demented (MDTD)). We experiment and compare different dimension-reduction and clustering algorithms to construct the best similarity graph to capture the similarity between the same class images using the cosine distance as a similarity measure. We utilize the similarity graph to present (sample) the training data to a convolutional neural network (CNN). We use the similarity graph as a regularizer in the loss function of a CNN model to minimize the distance between the input images and their k-nearest neighbours in the similarity graph while minimizing the categorical cross-entropy loss between the training image predictions and the actual image class labels. Results: We conduct extensive experiments with several pre-trained CNN models and compare the results to other recent methods. Conclusion: Our method achieves superior performance on the testing dataset (accuracy = 0.986, area under receiver operating characteristics curve = 0.998, F1 measure = 0.987). Significance: The classification results show an improvement in the prediction accuracy compared to the other methods. We release all the code used in our experiments to encourage reproducible research in this area
• Abstract（参考訳）: 目的: 磁気共鳴画像(MRI)間の構造的類似度を学習し, この類似度をグラフとして表現したアルツハイマー病(AD)検出法を提案する。 方法: 入力画像の埋め込み特徴(Non-Demented (ND), Very Mild Demented (VMD), Mild Demented (MD), Moderated Demented (MDTD))を用いて類似度グラフを構築する。 共振器距離を類似度尺度として用い,同一のクラス画像間の類似度を捉えるために,異なる次元縮小とクラスタリングのアルゴリズムを実験・比較した。 類似度グラフを用いて、畳み込みニューラルネットワーク(CNN)にトレーニングデータを提示(サンプル)します。 類似度グラフをcnnモデルの損失関数の正規化子として使用し、入力画像とk-ネアレストとの距離を類似度グラフで最小化し、訓練画像予測と実際の画像クラスラベルとのカテゴリ間クロスエントロピー損失を最小化する。 結果: 事前学習したcnnモデルを用いて広範囲な実験を行い,最近の手法と比較した。 結論: 本手法は, テストデータセットにおいて優れた性能を達成している(精度 = 0.986, 受信機動作特性曲線下領域 = 0.998, f1測度 = 0.987)。 意義: 分類結果は, 他の手法と比較して, 予測精度が向上したことを示す。 この領域で再現可能な研究を促進するために,実験で使用したすべてのコードをリリースする。

関連論文リスト

• Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
  No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。 提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-27T15:14:23Z)
• Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
  視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。 本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。 実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
  論文  参考訳（メタデータ） (2022-10-26T15:21:39Z)
• More Interpretable Graph Similarity Computation via Maximum Common Subgraph Inference [6.016052201518866]
  2つのグラフ間の距離/類似度を計算するグラフ類似度測定は、様々なグラフ関連タスクで発生する。 最近の学習に基づく手法では、2つのグラフ間の相互作用情報を1つの隠れベクターに直接変換し、それを類似度にマッピングするため、解釈可能性に欠ける。 本研究では、最大共通部分グラフ推論(INFMCS)による類似性という、グラフ類似性学習のためのより解釈可能なエンドツーエンドパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-08-09T07:37:47Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Attributable Visual Similarity Learning [90.69718495533144]
  本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2022-03-28T17:35:31Z)
• Diff2Dist: Learning Spectrally Distinct Edge Functions, with Applications to Cell Morphology Analysis [4.133143218285944]
  本稿では,グラフのエッジウェイトを「目に見える記述的」に学習する手法を提案する。 グラフ上の既知距離測度を一般化する(グラフ拡散距離) また,この手法の生体画像解析への応用についても述べる。
  論文  参考訳（メタデータ） (2021-06-29T20:40:22Z)
• Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration [0.0]
  深層学習に基づく画像登録における入力画像対間の強度分布の影響について検討する。 構造的類似性に基づく損失をトレーニングしたディープラーニングモデルは、両方のデータセットでよりよく機能しているようだ。
  論文  参考訳（メタデータ） (2020-09-21T17:49:03Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
  畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。 マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。 一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
  論文  参考訳（メタデータ） (2020-04-12T23:42:51Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。