論文の概要: Geometric Deep Learning on Anatomical Meshes for the Prediction of
Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2104.10047v1
- Date: Tue, 20 Apr 2021 15:17:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:46:56.453178
- Title: Geometric Deep Learning on Anatomical Meshes for the Prediction of
Alzheimer's Disease
- Title(参考訳): アルツハイマー病予測のための解剖学的メッシュの幾何学的深層学習
- Authors: Ignacio Sarasua, Jonwong Lee, Christian Wachinger
- Abstract要約: メッシュ表現を操作する4つの最近の幾何学的深層学習手法を評価する。
我々は,海馬のメッシュに基づいて,アルツハイマー病の予測のための異なるネットワークを比較した。
- 参考スコア(独自算出の注目度): 4.812718493682454
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Geometric deep learning can find representations that are optimal for a given
task and therefore improve the performance over pre-defined representations.
While current work has mainly focused on point representations, meshes also
contain connectivity information and are therefore a more comprehensive
characterization of the underlying anatomical surface.
In this work, we evaluate four recent geometric deep learning approaches that
operate on mesh representations.
These approaches can be grouped into template-free and template-based
approaches, where the template-based methods need a more elaborate
pre-processing step with the definition of a common reference template and
correspondences.
We compare the different networks for the prediction of Alzheimer's disease
based on the meshes of the hippocampus.
Our results show advantages for template-based methods in terms of accuracy,
number of learnable parameters, and training speed.
While the template creation may be limiting for some applications,
neuroimaging has a long history of building templates with automated tools
readily available.
Overall, working with meshes is more involved than working with simplistic
point clouds, but they also offer new avenues for designing geometric deep
learning architectures.
- Abstract(参考訳): 幾何学的ディープラーニングは、与えられたタスクに最適な表現を見つけることができるので、事前定義された表現よりもパフォーマンスが向上する。
現在の研究は主に点表現に焦点を当てているが、メッシュは接続情報も含むため、基礎となる解剖学的表面のより包括的な特徴である。
本研究では,メッシュ表現を操作する幾何学的深層学習手法を4つ評価する。
これらのアプローチはテンプレートフリーおよびテンプレートベースのアプローチにグループ化することができ、テンプレートベースのメソッドは、共通の参照テンプレートと対応を定義することで、より精巧な事前処理ステップを必要とする。
我々は,海馬のメッシュに基づいて,アルツハイマー病の予測のための異なるネットワークを比較した。
本結果は,精度,学習可能なパラメータ数,学習速度の観点から,テンプレートベースの手法の利点を示す。
テンプレート作成はいくつかのアプリケーションで制限されているかもしれないが、Neuroimagingは自動化ツールを使ってテンプレートを構築する長い歴史がある。
全体として、メッシュを使った作業は、単純化されたポイントクラウドよりも関与するが、幾何学的なディープラーニングアーキテクチャを設計するための新たな手段も提供する。
関連論文リスト
- Human as Points: Explicit Point-based 3D Human Reconstruction from
Single-view RGB Images [78.56114271538061]
我々はHaPと呼ばれる明示的なポイントベース人間再構築フレームワークを導入する。
提案手法は,3次元幾何学空間における完全明示的な点雲推定,操作,生成,洗練が特徴である。
我々の結果は、完全に明示的で幾何学中心のアルゴリズム設計へのパラダイムのロールバックを示すかもしれない。
論文 参考訳(メタデータ) (2023-11-06T05:52:29Z) - A Systematic Survey in Geometric Deep Learning for Structure-based Drug
Design [63.30166298698985]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
幾何学的深層学習の最近の進歩は、3次元幾何データの統合と処理に焦点をあてて、構造に基づく薬物設計の分野を大いに進歩させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - Learning Single-Index Models with Shallow Neural Networks [43.6480804626033]
我々は、浅層ニューラルネットワークの自然なクラスを導入し、勾配流を通して単一インデックスモデルを学習する能力について研究する。
対応する最適化ランドスケープが良性であることを示し、それによって専用半パラメトリック手法の準最適サンプル複雑性に一致するような一般化保証が得られることを示す。
論文 参考訳(メタデータ) (2022-10-27T17:52:58Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - Lifelong Infinite Mixture Model Based on Knowledge-Driven Dirichlet
Process [15.350366047108103]
生涯学習における最近の研究成果は、タスクの増加に対応するために、モデルの混合を成長させることが提案されている。
本研究では,データの確率的表現間の差分距離に基づいてリスク境界を導出することにより,生涯学習モデルの理論的解析を行う。
理論解析に着想を得て, 生涯無限混合モデル (LIMix) と呼ばれる新しい生涯学習手法を導入する。
論文 参考訳(メタデータ) (2021-08-25T21:06:20Z) - Embracing New Techniques in Deep Learning for Estimating Image
Memorability [0.0]
画像の記憶可能性を予測するための5つの代替ディープラーニングモデルを提案し,評価する。
以上の結果から,キーとなる記憶能力ネットワークは,その一般化性を過大評価し,トレーニングセットに過度に適合していたことが示唆された。
我々は、新しい最先端モデルを簡単に研究コミュニティに提供し、メモリ研究者がより広い範囲の画像で記憶可能性について予測できるようにしました。
論文 参考訳(メタデータ) (2021-05-21T23:05:23Z) - tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for
Template-Based Modelling Structure Refinement [53.98034511648985]
現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。
テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。
2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
論文 参考訳(メタデータ) (2021-05-10T13:32:12Z) - Discriminative and Generative Models for Anatomical Shape Analysison
Point Clouds with Deep Neural Networks [3.7814216736076434]
与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。
我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。
本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
論文 参考訳(メタデータ) (2020-10-02T07:37:40Z) - 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) - CoSE: Compositional Stroke Embeddings [52.529172734044664]
本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。
我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
論文 参考訳(メタデータ) (2020-06-17T15:22:54Z)
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。