論文の概要: ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans
- arxiv url: http://arxiv.org/abs/2103.02561v1
- Date: Wed, 3 Mar 2021 17:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-07 04:56:37.835856
- Title: ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans
- Title（参考訳）: ICAM-reg: 個々のスキャンにおける神経現象のマッピングにおける特徴属性による解釈可能な分類と回帰
- Authors: Cher Bass, Mariana da Silva, Carole Sudre, Logan Z. J. Williams,
Petru-Daniel Tudosiu, Fidel Alfaro-Almagro, Sean P. Fitzgibbon, Matthew F.
Glasser, Stephen M. Smith, Emma C. Robinson
- Abstract要約: 本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
- 参考スコア（独自算出の注目度）: 3.589107822343127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important goal of medical imaging is to be able to precisely detect
patterns of disease specific to individual scans; however, this is challenged
in brain imaging by the degree of heterogeneity of shape and appearance.
Traditional methods, based on image registration to a global template,
historically fail to detect variable features of disease, as they utilise
population-based analyses, suited primarily to studying group-average effects.
In this paper we therefore take advantage of recent developments in generative
deep learning to develop a method for simultaneous classification, or
regression, and feature attribution (FA). Specifically, we explore the use of a
VAE-GAN translation network called ICAM, to explicitly disentangle class
relevant features from background confounds for improved interpretability and
regression of neurological phenotypes. We validate our method on the tasks of
Mini-Mental State Examination (MMSE) cognitive test score prediction for the
Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort, as well as brain age
prediction, for both neurodevelopment and neurodegeneration, using the
developing Human Connectome Project (dHCP) and UK Biobank datasets. We show
that the generated FA maps can be used to explain outlier predictions and
demonstrate that the inclusion of a regression module improves the
disentanglement of the latent space. Our code is freely available on Github
https://github.com/CherBass/ICAM.
- Abstract（参考訳）: 医用画像の重要な目的は、個々のスキャンに特有の疾患のパターンを正確に検出できることであるが、形状と外観の異質性の度合いによって、脳画像においてこのことが課題である。
グローバルテンプレートへの画像登録に基づく伝統的な手法は、伝統的に、集団平均効果の研究に主に適する人口ベースの分析を利用するため、病気の可変的な特徴を検出することができない。
そこで本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法(fa)を開発した。
具体的には、ICAMと呼ばれるVAE-GAN翻訳ネットワークを用いて、背景コンファウンドからクラス関連機能を明示的に切り離し、神経学的表現型の解釈性と回帰性を改善する。
本研究では、開発中のHuman Connectome Project(dHCP)とUK Biobankデータセットを用いて、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(ADNI)コホートにおけるMini-Mental State examination(MMSE)認知テストスコア予測と、神経発達と神経変性の両方における脳年齢予測について検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
私たちのコードはGithub https://github.com/CherBass/ICAMで無料で入手できます。
関連論文リスト
- Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。
深層学習はこれらの表現を捉えることを約束している。
本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
論文 参考訳（メタデータ） (2024-10-30T23:51:31Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳（メタデータ） (2023-11-13T14:36:29Z) - 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) - Transformer-based normative modelling for anomaly detection of early
schizophrenia [1.291405125557051]
我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。
早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
論文 参考訳（メタデータ） (2022-12-08T18:22:36Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳（メタデータ） (2020-10-11T22:01:37Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - 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) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。