論文の概要: Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss
- arxiv url: http://arxiv.org/abs/2106.03052v1
- Date: Sun, 6 Jun 2021 07:11:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:43:32.047127
- Title: Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss
- Title（参考訳）: ランキング損失を伴うカスケードネットワークを用いたmriによる脳年齢推定
- Authors: Jian Cheng, Ziyang Liu, Hao Guan, Zhenzhou Wu, Haogang Zhu, Jiyang
Jiang, Wei Wen, Dacheng Tao, Tao Liu
- Abstract要約: T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
- 参考スコア（独自算出の注目度）: 75.03117866578913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chronological age of healthy people is able to be predicted accurately using
deep neural networks from neuroimaging data, and the predicted brain age could
serve as a biomarker for detecting aging-related diseases. In this paper, a
novel 3D convolutional network, called two-stage-age-network (TSAN), is
proposed to estimate brain age from T1-weighted MRI data. Compared with
existing methods, TSAN has the following improvements. First, TSAN uses a
two-stage cascade network architecture, where the first-stage network estimates
a rough brain age, then the second-stage network estimates the brain age more
accurately from the discretized brain age by the first-stage network. Second,
to our knowledge, TSAN is the first work to apply novel ranking losses in brain
age estimation, together with the traditional mean square error (MSE) loss.
Third, densely connected paths are used to combine feature maps with different
scales. The experiments with $6586$ MRIs showed that TSAN could provide
accurate brain age estimation, yielding mean absolute error (MAE) of $2.428$
and Pearson's correlation coefficient (PCC) of $0.985$, between the estimated
and chronological ages. Furthermore, using the brain age gap between brain age
and chronological age as a biomarker, Alzheimer's disease (AD) and Mild
Cognitive Impairment (MCI) can be distinguished from healthy control (HC)
subjects by support vector machine (SVM). Classification AUC in AD/HC and
MCI/HC was $0.904$ and $0.823$, respectively. It showed that brain age gap is
an effective biomarker associated with risk of dementia, and has potential for
early-stage dementia risk screening. The codes and trained models have been
released on GitHub: https://github.com/Milan-BUAA/TSAN-brain-age-estimation.
- Abstract（参考訳）: 神経画像データからディープニューラルネットを用いて,健常成人の年齢を正確に予測することができ,老化関連疾患の検出のためのバイオマーカーとして脳年齢を予測することができる。
本稿では,T1強調MRIデータから脳年齢を推定するために,TSAN( two-stage-age-network)と呼ばれる新しい3次元畳み込みネットワークを提案する。
既存の方法と比較して、TSANには以下の改善がある。
まず、TSANは2段階のカスケードネットワークアーキテクチャを使用し、第1段階のネットワークは荒い脳年齢を推定し、第2段階のネットワークは第1段階のネットワークによって識別された脳年齢からより正確に脳年齢を推定する。
第二に、TSANは、従来の平均二乗誤差(MSE)の損失とともに、脳年齢推定における新しいランキングの損失を適用した最初の研究である。
第三に密連結な経路は、特徴写像を異なるスケールで組み合わせるために用いられる。
6,586ドルMRIを用いた実験では、TSANは正確な脳年齢推定が可能であり、平均絶対誤差(MAE)は2428ドル、ピアソンの相関係数(PCC)は0.985ドルであった。
さらに、脳年齢と慢性年齢の脳年齢差をバイオマーカーとして用いて、アルツハイマー病(AD)とミルド認知障害(MCI)を、支持ベクトルマシン(SVM)による健常者(HC)と区別することができる。
AD/HCとMCI/HCの分類AUCはそれぞれ0.904$と0.823$であった。
脳年齢差は認知症のリスクに関連する効果的なバイオマーカーであり、早期認知症リスクスクリーニングの可能性を示唆した。
GitHubでは、コードとトレーニングされたモデルがリリースされた。
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) - SFCNeXt: a simple fully convolutional network for effective brain age
estimation with small sample size [10.627447275777609]
ディープニューラルネットワーク(DNN)は、T1強調磁気共鳴画像(T1 MRI)から健康脳の時系列年齢を予測するように設計されている。
脳年齢推定のための最近のDNNモデルは、通常、多段階の特徴改善のための大規模なサンプルサイズと複雑なネットワーク構造に依存しすぎている。
本稿では、偏りのある小型コホートにおける脳年齢推定のための簡易完全畳み込みネットワーク(SFCNeXt)を提案する。
論文 参考訳（メタデータ） (2023-05-30T06:11:38Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Brain Structure Ages -- A new biomarker for multi-disease classification [0.0]
構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。
脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
論文 参考訳（メタデータ） (2023-04-13T14:56:51Z) - Accelerated functional brain aging in major depressive disorder:
evidence from a large scale fMRI analysis of Chinese participants [8.184714897613166]
大うつ病 (Major depressive disorder, MDD) は、脳萎縮と死亡との関連について集中的に研究されている、最も一般的な精神疾患の1つである。
近年の研究では、予測年齢と時系列年齢のずれが、MDDを特徴づける加速脳老化の指標となることが示されている。
ここでは、中国の複数のコホート参加者から収集された大規模な静止状態fMRIデータセットであるREST-meta-MDDを利用する。
論文 参考訳（メタデータ） (2022-05-08T09:26:46Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small
Dataset [0.14063138455565613]
乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。
標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。
我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。
中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
論文 参考訳（メタデータ） (2021-12-27T18:02:48Z) - 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) - 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。