論文の概要: Hippocampus segmentation in magnetic resonance images of Alzheimer's
patients using Deep machine learning
- arxiv url: http://arxiv.org/abs/2106.06743v2
- Date: Wed, 16 Jun 2021 06:07:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 11:43:57.971999
- Title: Hippocampus segmentation in magnetic resonance images of Alzheimer's
patients using Deep machine learning
- Title(参考訳): 深層機械学習を用いたアルツハイマー病の磁気共鳴画像における海馬分節
- Authors: Hossein Yousefi-Banaem, Saber Malekzadeh
- Abstract要約: 本研究の目的は,深層機械学習を用いたアルツハイマー病患者のMRI画像における海馬のセグメンテーションである。
提案手法は有望であり,早期の海馬容積変化の予測によりアルツハイマー病の予後に拡張することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Alzheimers disease is a progressive neurodegenerative disorder
and the main cause of dementia in aging. Hippocampus is prone to changes in the
early stages of Alzheimers disease. Detection and observation of the
hippocampus changes using magnetic resonance imaging (MRI) before the onset of
Alzheimers disease leads to the faster preventive and therapeutic measures.
Objective: The aim of this study was the segmentation of the hippocampus in
magnetic resonance (MR) images of Alzheimers patients using deep machine
learning method. Methods: U-Net architecture of convolutional neural network
was proposed to segment the hippocampus in the real MRI data. The MR images of
the 100 and 35 patients available in Alzheimers disease Neuroimaging Initiative
(ADNI) dataset, was used for the train and test of the model, respectively. The
performance of the proposed method was compared with manual segmentation by
measuring the similarity metrics. Results: The desired segmentation achieved
after 10 iterations. A Dice similarity coefficient (DSC) = 92.3%, sensitivity =
96.5%, positive predicted value (PPV) = 90.4%, and Intersection over Union
(IoU) value for the train 92.94 and test 92.93 sets were obtained which are
acceptable. Conclusion: The proposed approach is promising and can be extended
in the prognosis of Alzheimers disease by the prediction of the hippocampus
volume changes in the early stage of the disease.
- Abstract(参考訳): 背景:アルツハイマー病は進行性神経変性疾患であり、認知症の主な原因である。
海馬はアルツハイマー病の初期段階で変化しやすい。
アルツハイマー病発症前におけるMRI(MRI)による海馬変化の検出と観察により,予防・治療の迅速化が図られた。
目的: 本研究の目的は, 深層機械学習を用いたアルツハイマー病患者のMRI画像における海馬のセグメンテーションであった。
方法:畳み込みニューラルネットワークのU-Netアーキテクチャは、実際のMRIデータに海馬を分割するために提案された。
アルツハイマー病ニューロイメージング・イニシアチブ(ADNI)データセットで得られた100例と35例のMR画像は,それぞれ,モデルの訓練と試験に使用された。
提案手法の性能を,類似度の測定により手動分割と比較した。
結果: 所望のセグメンテーションは10回のイテレーションで達成された。
a dice similarity coefficient (dsc) = 92.3%, sensitivity = 96.5%, positive prediction value (ppv) = 90.4%, and intersection over union (iou) value for the train 92.94 and test 92.93 setsが得られた。
結論: 提案手法は有望であり, 早期の海馬容積変化の予測により, アルツハイマー病の予後に拡張することができる。
関連論文リスト
- A Dual-Attention Aware Deep Convolutional Neural Network for Early Alzheimer's Detection [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、神経変性の主要な形態であり、毎年何百万人もの人に影響を及ぼす。
ニューロイメージングデータからADを分類するための2重注意強化深層学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-07-15T17:22:16Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [45.630166504856255]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳(メタデータ) (2024-07-02T16:44:00Z) - Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models [2.4561590439700076]
本研究では,最新のCNNを特徴とする深層学習技術を活用することで,アルツハイマー病(AD)のMRIデータを分類することに焦点を当てた。
アルツハイマー病は高齢者の認知症の主要な原因であり、徐々に認知機能障害を引き起こす不可逆的な脳疾患である。
将来、この研究は、信号、画像、その他のデータを含む他の種類の医療データを組み込むように拡張することができる。
論文 参考訳(メタデータ) (2024-05-20T15:44:07Z) - Vision Transformers and Bi-LSTM for Alzheimer's Disease Diagnosis from
3D MRI [0.0]
早期に診断された場合、アルツハイマー病(AD)を治療・治療することができる。
本研究では、視覚変換器(ViT)とバイLSTMを用いて、アルツハイマー病の診断のためのMRI画像の処理を提案する。
提案手法は,ADの診断のための精度,精度,Fスコア,リコールの点で良好に機能する。
論文 参考訳(メタデータ) (2024-01-06T06:11:03Z) - Identifying Alzheimer Disease Dementia Levels Using Machine Learning
Methods [0.0]
RF, SVM, CNNアルゴリズムを用いて認知症の4段階を分類する手法を提案する。
以上の結果から,浸水特性を持つSVMの精度は96.25%であり,他の分類法よりも高いことがわかった。
論文 参考訳(メタデータ) (2023-11-02T17:44:28Z) - Characterizing TMS-EEG perturbation indexes using signal energy: initial
study on Alzheimer's Disease classification [48.42347515853289]
経頭蓋磁気刺激(TMS)と脳波記録(TMS-EEG)を組み合わせることで、脳、特にアルツハイマー病(AD)の研究に大きな可能性を示す。
本研究では,脳機能の変化を反映した電位指標として,脳波信号のTMS誘発摂動の持続時間を自動的に決定する手法を提案する。
論文 参考訳(メタデータ) (2022-04-29T19:27:06Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - 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) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。