論文の概要: Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging
data using 3D Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2103.11695v1
- Date: Mon, 22 Mar 2021 09:48:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 03:31:01.145577
- Title: Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging
data using 3D Convolutional Neural Networks
- Title(参考訳): 3次元畳み込みニューラルネットワークを用いた生T1強調磁気共鳴画像データからの脳年齢予測
- Authors: Lukas Fisch, Jan Ernsting, Nils R. Winter, Vincent Holstein, Ramona
Leenings, Marie Beisemann, Kelvin Sarink, Daniel Emden, Nils Opel, Ronny
Redlich, Jonathan Repple, Dominik Grotegerd, Susanne Meinert, Niklas Wulms,
Heike Minnerup, Jochen G. Hirsch, Thoralf Niendorf, Beate Endemann, Fabian
Bamberg, Thomas Kr\"oncke, Annette Peters, Robin B\"ulow, Henry V\"olzke,
Oyunbileg von Stackelberg, Ramona Felizitas Sowade, Lale Umutlu, B\"orge
Schmidt, Svenja Caspers, German National Cohort Study Center Consortium,
Harald Kugel, Bernhard T. Baune, Tilo Kircher, Benjamin Risse, Udo
Dannlowski, Klaus Berger, Tim Hahn
- Abstract要約: 脳の磁気共鳴イメージング(MRI)データに基づく年齢予測は、脳疾患や老化の進行を定量化するバイオマーカーである。
現在のアプローチでは、voxelを標準化された脳アトラスに登録するなど、複数の前処理ステップでデータを準備する。
ここでは、ResNetアーキテクチャに基づく3D Convolutional Neural Network(CNN)について、未登録のT1重み付きMRIデータに基づいてトレーニングします。
- 参考スコア(独自算出の注目度): 0.45077088620792216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Age prediction based on Magnetic Resonance Imaging (MRI) data of the brain is
a biomarker to quantify the progress of brain diseases and aging. Current
approaches rely on preparing the data with multiple preprocessing steps, such
as registering voxels to a standardized brain atlas, which yields a significant
computational overhead, hampers widespread usage and results in the predicted
brain-age to be sensitive to preprocessing parameters. Here we describe a 3D
Convolutional Neural Network (CNN) based on the ResNet architecture being
trained on raw, non-registered T 1 -weighted MRI data of N=10,691 samples from
the German National Cohort and additionally applied and validated in N=2,173
samples from three independent studies using transfer learning. For comparison,
state-of-the-art models using preprocessed neuroimaging data are trained and
validated on the same samples. The 3D CNN using raw neuroimaging data predicts
age with a mean average deviation of 2.84 years, outperforming the
state-of-the-art brain-age models using preprocessed data. Since our approach
is invariant to preprocessing software and parameter choices, it enables
faster, more robust and more accurate brain-age modeling.
- Abstract(参考訳): 脳の磁気共鳴イメージング(MRI)データに基づく年齢予測は、脳疾患や老化の進行を定量化するバイオマーカーである。
現在のアプローチは、voxelを標準化された脳アトラスに登録するなど、複数の前処理ステップでデータを準備することに依存している。
本稿では,ResNetアーキテクチャをベースとした3次元畳み込みニューラルネットワーク(CNN)を,ドイツ国立コーホートから得られたN=10,691サンプルの生,非登録T1強調MRIデータに基づいて学習し,さらに3つの独立した研究から得られたN=2,173サンプルにも適用・検証する。
比較のために、前処理された神経画像データを用いた最先端のモデルが同じサンプル上で訓練され検証される。
生の神経画像データを用いた3D CNNは、平均偏差平均2.84年で年齢を予測する。
我々のアプローチは前処理ソフトウェアやパラメータの選択に不変であるため、より速く、より堅牢で、より正確な脳年齢モデリングを可能にします。
関連論文リスト
- Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳(メタデータ) (2024-02-12T14:46:31Z) - 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) - Video and Synthetic MRI Pre-training of 3D Vision Architectures for
Neuroimage Analysis [3.208731414009847]
トランスファーラーニングは、特定のタスクに適応するために、大規模なデータコーパスでディープラーニングモデルを事前訓練することを含む。
視覚変換器 (ViTs) と畳み込みニューラルネットワーク (CNNs) のベンチマークを行った。
得られた事前訓練されたモデルは、ターゲットタスクのトレーニングデータが制限されている場合でも、さまざまな下流タスクに適応することができる。
論文 参考訳(メタデータ) (2023-09-09T00:33:23Z) - Explainable Cost-Sensitive Deep Neural Networks for Brain Tumor
Detection from Brain MRI Images considering Data Imbalance [0.0]
CNN、ResNet50、InceptionV3、EfficientNetB0、NASNetMobileの5つのモデルを含む自動パイプラインが提案されている。
提案アーキテクチャの性能はバランスの取れたデータセットで評価され、微調整されたInceptionV3モデルに対して99.33%の精度が得られた。
トレーニングプロセスをさらに最適化するために、不均衡なデータセットを扱うために、コストに敏感なニューラルネットワークアプローチが提案されている。
論文 参考訳(メタデータ) (2023-08-01T15:35:06Z) - Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
論文 参考訳(メタデータ) (2022-11-05T10:27:37Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳(メタデータ) (2022-10-28T18:58:34Z) - Mental arithmetic task classification with convolutional neural network
based on spectral-temporal features from EEG [0.47248250311484113]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。
ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。
実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
論文 参考訳(メタデータ) (2022-09-26T02:15:22Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - Evaluation of augmentation methods in classifying autism spectrum
disorders from fMRI data with 3D convolutional neural networks [0.0]
我々は,3D畳み込みニューラルネットワーク(CNN)を前処理した1,112人の被験者の安静状態誘導体を用いて分類を行う。
以上の結果から,Augmentationはテスト精度をわずかに改善するだけであることがわかった。
論文 参考訳(メタデータ) (2021-10-20T11:03:17Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳(メタデータ) (2021-04-04T20:30:14Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z)
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。