論文の概要: MRI-based Alzheimer's disease prediction via distilling the knowledge in multi-modal data

• arxiv url: http://arxiv.org/abs/2104.03618v1
• Date: Thu, 8 Apr 2021 09:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 12:54:16.890829
• Title: MRI-based Alzheimer's disease prediction via distilling the knowledge in multi-modal data
• Title（参考訳）: マルチモーダルデータにおける知識の蒸留によるMRIによるアルツハイマー病予測
• Authors: Hao Guan (1), Chaoyue Wang (1), Dacheng Tao (1) ((1) School of Computer Science, The University of Sydney)
• Abstract要約: MCI変換予測のために,マルチモーダルデータから学んだ知識をMRIベースのネットワークに抽出することを目的としたマルチモーダルマルチインスタンス蒸留方式を提案する。 本研究は、マルチモーダル情報から抽出した余計な監視を活用し、MRIに基づく予測モデルの改善を試みる最初の研究です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mild cognitive impairment (MCI) conversion prediction, i.e., identifying MCI patients of high risks converting to Alzheimer's disease (AD), is essential for preventing or slowing the progression of AD. Although previous studies have shown that the fusion of multi-modal data can effectively improve the prediction accuracy, their applications are largely restricted by the limited availability or high cost of multi-modal data. Building an effective prediction model using only magnetic resonance imaging (MRI) remains a challenging research topic. In this work, we propose a multi-modal multi-instance distillation scheme, which aims to distill the knowledge learned from multi-modal data to an MRI-based network for MCI conversion prediction. In contrast to existing distillation algorithms, the proposed multi-instance probabilities demonstrate a superior capability of representing the complicated atrophy distributions, and can guide the MRI-based network to better explore the input MRI. To our best knowledge, this is the first study that attempts to improve an MRI-based prediction model by leveraging extra supervision distilled from multi-modal information. Experiments demonstrate the advantage of our framework, suggesting its potentials in the data-limited clinical settings.
• Abstract（参考訳）: 軽度認知障害(MCI)変換予測、すなわち、アルツハイマー病(AD)に転換するリスクの高いMCI患者を特定することは、ADの進行を予防または遅らせるために不可欠である。 従来の研究では、マルチモーダルデータの融合は予測精度を効果的に向上させることが示されているが、それらの応用は主にマルチモーダルデータの可用性の制限や高コストによって制限されている。 MRI(MRI)のみを用いた効果的な予測モデルの構築は依然として困難な研究課題である。 本研究では,MCI変換予測のためのMRIネットワークにマルチモーダルデータから学習した知識を抽出することを目的としたマルチモーダルマルチインスタンス蒸留方式を提案する。 既存の蒸留アルゴリズムとは対照的に、提案したマルチインスタンス確率は、複雑な萎縮分布を表現する優れた能力を示し、MRIベースのネットワークを誘導して入力MRIをよりよく探索することができる。 我々の知る限り、マルチモーダル情報から抽出した余分なインスペクションを活用することで、MRIに基づく予測モデルの改善を試みる最初の研究である。 実験は、我々のフレームワークの利点を実証し、データ限定臨床環境での可能性を示している。

関連論文リスト

• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• ITCFN: Incomplete Triple-Modal Co-Attention Fusion Network for Mild Cognitive Impairment Conversion Prediction [12.893857146169045]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者の神経変性疾患である。 軽度認知障害(MCI)の早期予測と時間的介入は、ADに進むリスクを減少させる可能性がある。
  論文  参考訳（メタデータ） (2025-01-20T05:12:31Z)
• RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
  本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。 我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。 実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
  論文  参考訳（メタデータ） (2024-10-02T16:47:55Z)
• DDEvENet: Evidence-based Ensemble Learning for Uncertainty-aware Brain Parcellation Using Diffusion MRI [5.757390718589337]
  EVENetは、拡散MRIを用いた解剖学的脳解析のためのエビデンスベースのエンサンブルニューラルネットワークである。 健常層および臨床集団の異なるデータセットの正確なパーセレーションと不確実性の推定値を得た。 この不確実性評価により,EVENet法は病変症例の異常脳領域の検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-09-11T05:26:23Z)
• M2EF-NNs: Multimodal Multi-instance Evidence Fusion Neural Networks for Cancer Survival Prediction [24.323961146023358]
  本稿では,M2EF-NNと呼ばれるニューラルネットワークモデルを提案する。 画像中のグローバル情報をキャプチャするために、事前訓練された視覚変換器(ViT)モデルを用いる。 Dempster-Shaferエビデンス理論(DST)を癌生存予測に適用した最初の例である。
  論文  参考訳（メタデータ） (2024-08-08T02:31:04Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Predicting multiple sclerosis disease severity with multimodal deep neural networks [10.599189568556508]
  患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。 提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
  論文  参考訳（メタデータ） (2023-04-08T16:23:18Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。