論文の概要: Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data
- arxiv url: http://arxiv.org/abs/2104.04672v1
- Date: Sat, 10 Apr 2021 03:16:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:26:35.143323
- Title: Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data
- Title（参考訳）: 構造的および合成機能的MRIデータを用いたアルツハイマー病の神経画像信号の深層学習による同定
- Authors: Nanyan Zhu, Chen Liu, Xinyang Feng, Dipika Sikka, Sabrina
Gjerswold-Selleck, Scott A. Small, Jia Guo
- Abstract要約: 脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
- 参考スコア（独自算出の注目度）: 8.388888908045406
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Current neuroimaging techniques provide paths to investigate the structure
and function of the brain in vivo and have made great advances in understanding
Alzheimer's disease (AD). However, the group-level analyses prevalently used
for investigation and understanding of the disease are not applicable for
diagnosis of individuals. More recently, deep learning, which can efficiently
analyze large-scale complex patterns in 3D brain images, has helped pave the
way for computer-aided individual diagnosis by providing accurate and automated
disease classification. Great progress has been made in classifying AD with
deep learning models developed upon increasingly available structural MRI data.
The lack of scale-matched functional neuroimaging data prevents such models
from being further improved by observing functional changes in pathophysiology.
Here we propose a potential solution by first learning a
structural-to-functional transformation in brain MRI, and further synthesizing
spatially matched functional images from large-scale structural scans. We
evaluated our approach by building computational models to discriminate
patients with AD from healthy normal subjects and demonstrated a performance
boost after combining the structural and synthesized functional brain images
into the same model. Furthermore, our regional analyses identified the temporal
lobe to be the most predictive structural-region and the parieto-occipital lobe
to be the most predictive functional-region of our model, which are both in
concordance with previous group-level neuroimaging findings. Together, we
demonstrate the potential of deep learning with large-scale structural and
synthesized functional MRI to impact AD classification and to identify AD's
neuroimaging signatures.
- Abstract（参考訳）: 現在の神経イメージング技術は、脳の構造と機能を調べるための経路を提供し、アルツハイマー病(AD)の理解に大きな進歩をもたらした。
しかし、この疾患の調査や理解に広く用いられるグループレベルの分析は、個人の診断には適用できない。
近年,3次元脳画像の大規模複雑なパターンを効率的に解析できる深層学習が,疾患分類の正確かつ自動化により,コンピュータ支援による個人診断の道を開くのに役立っている。
より利用可能な構造的MRIデータに基づいて、ディープラーニングモデルによるADの分類に大きな進歩が見られた。
スケールマッチングされた機能的神経画像データの欠如は、病態の機能的変化を観察することによって、そのようなモデルをさらに改善することを防ぐ。
そこで本研究では,まず脳mriで構造から機能への変換を学習し,大規模構造スキャンから空間的に整合した機能画像の合成を行う。
健常者からAD患者を識別するための計算モデルを構築し, 構造的, 合成された機能的脳像を同一モデルに組み合わせた結果, 性能向上効果が示された。
さらに, 側頭葉を最も予測的構造領域とし, 頭頂頭頂葉を最も予測的機能領域と同定した。
今回我々は,AD分類に影響を及ぼし,ADのニューロイメージング・シグネチャを同定するために,大規模構造と合成MRIを用いたディープラーニングの可能性を示す。
関連論文リスト
- Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。
PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
論文 参考訳（メタデータ） (2024-07-19T12:58:18Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis [11.295734491885682]
本研究の目的は、深層学習モデルを用いてMRI画像の分類を行い、アルツハイマー病の異なる段階を同定することである。
実験の結果,Xceptionモデルに基づくディープラーニングフレームワークは,マルチクラスMRI画像分類タスクにおいて99.6%の精度を達成した。
論文 参考訳（メタデータ） (2024-03-24T16:11:27Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data
Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。
BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。
我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文 参考訳（メタデータ） (2022-08-05T07:54:10Z) - Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。
皮質下領域と心室は最も予測可能な脳の領域である。
論文 参考訳（メタデータ） (2022-06-26T21:44:33Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - DeepRetinotopy: Predicting the Functional Organization of Human Visual
Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。
我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文 参考訳（メタデータ） (2020-05-26T04:54:31Z) - Incorporating structured assumptions with probabilistic graphical models
in fMRI data analysis [5.23143327587266]
我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。
これらのアルゴリズムも同様にfMRIの課題に取り組む。
認知神経科学における明示的モデル構築のより広範な採用を提唱する。
論文 参考訳（メタデータ） (2020-05-11T06:32:54Z)
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。