Fugu-MT 論文翻訳(概要): Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform

論文の概要: Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform

arxiv url: http://arxiv.org/abs/2107.05990v1
Date: Tue, 13 Jul 2021 11:18:22 GMT
ステータス: 処理完了
システム内更新日: 2021-07-14 14:48:01.355199
Title: Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform
Title（参考訳）: 動的アフィン特徴写像変換による3次元画像とタブラルデータの組み合わせ
Authors: Sebastian P\"olsterl and Tom Nuno Wolf and Christian Wachinger
Abstract要約: 我々は,CNNの汎用モジュールであるDynamic Affine Feature Map Transform (DAFT)を紹介し,患者の臨床情報に基づいて,畳み込み層の特徴マップを動的に再スケール・シフトする。 DAFTは診断のための3次元画像と表型情報を組み合わせるのに非常に有効であり、それぞれ平均平衡精度0.622と平均c-インデックス0.748で競合するCNNを上回ります。
参考スコア（独自算出の注目度）: 3.5235974685889397
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prior work on diagnosing Alzheimer's disease from magnetic resonance images of the brain established that convolutional neural networks (CNNs) can leverage the high-dimensional image information for classifying patients. However, little research focused on how these models can utilize the usually low-dimensional tabular information, such as patient demographics or laboratory measurements. We introduce the Dynamic Affine Feature Map Transform (DAFT), a general-purpose module for CNNs that dynamically rescales and shifts the feature maps of a convolutional layer, conditional on a patient's tabular clinical information. We show that DAFT is highly effective in combining 3D image and tabular information for diagnosis and time-to-dementia prediction, where it outperforms competing CNNs with a mean balanced accuracy of 0.622 and mean c-index of 0.748, respectively. Our extensive ablation study provides valuable insights into the architectural properties of DAFT. Our implementation is available at https://github.com/ai-med/DAFT.
Abstract（参考訳）: 脳の磁気共鳴画像からアルツハイマー病を診断する以前の研究で、畳み込みニューラルネットワーク(cnns)が患者の分類に高次元画像情報を利用することができた。しかし、これらのモデルが患者の人口統計や実験室の測定など、通常低次元の表型情報をどのように活用できるかについてはほとんど研究されていない。本稿では,CNN の汎用モジュールである Dynamic Affine Feature Map Transform (DAFT) を紹介する。 DAFTは診断のための3次元画像と表型情報を組み合わせるのに非常に有効であり,それぞれ平均平衡精度0.622,平均c-インデックス0.748で競合するCNNよりも優れていた。我々の広範囲にわたるアブレーション研究は、DAFTのアーキテクチャ特性に関する貴重な洞察を提供する。私たちの実装はhttps://github.com/ai-med/daftで利用可能です。

関連論文リスト

fMRI-3D: A Comprehensive Dataset for Enhancing fMRI-based 3D Reconstruction [50.534007259536715]
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4768個の3Dオブジェクトを展示する。我々は,fMRI信号から3次元視覚情報を復号化するための新しいフレームワークMinD-3Dを提案する。
論文参考訳（メタデータ） (2024-09-17T16:13:59Z)
Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
JGAT: a joint spatio-temporal graph attention model for brain decoding [8.844033583141039]
Joint kernel Graph Attention Network (JGAT)は、新しいマルチモーダル時間グラフアテンションネットワークフレームワークである。ダイナミックな情報を保存しながら、機能的磁気共鳴画像(fMRI)と拡散重み画像(DWI)からのデータを統合する。我々は4つの独立したデータセット上でJGATでブレインデコーディングタスクを行います。
論文参考訳（メタデータ） (2023-06-03T02:45:03Z)
Decomposing 3D Neuroimaging into 2+1D Processing for Schizophrenia Recognition [25.80846093248797]
我々は2+1Dフレームワークで3Dデータを処理し、巨大なImageNetデータセット上に事前トレーニングされた強力な2D畳み込みニューラルネットワーク(CNN)ネットワークを利用して3Dニューロイメージング認識を実現することを提案する。特に3次元磁気共鳴イメージング(MRI)の計測値は、隣接するボクセル位置に応じて2次元スライスに分解される。グローバルプーリングは、アクティベーションパターンが機能マップ上にわずかに分散されているため、冗長な情報を除去するために適用される。 2次元CNNモデルにより処理されていない3次元の文脈情報を集約するために,チャネルワイドおよびスライスワイズ畳み込みを提案する。
論文参考訳（メタデータ） (2022-11-21T15:22:59Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Harnessing spatial homogeneity of neuroimaging data: patch individual filter layers for CNNs [0.0]
ニューラルネットワークにおける階層的抽象化の考え方と、ニューロイメージングデータの空間的均一性に先立って、新しいCNNアーキテクチャを提案する。重みを共有せずに個々の画像領域(パッチ)でフィルタを学習することにより、PIF層は抽象的特徴をより早く、より少ないサンプルで学習することができる。
論文参考訳（メタデータ） (2020-07-23T10:11:43Z)
4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文参考訳（メタデータ） (2020-07-02T12:02:20Z)
Brain MRI-based 3D Convolutional Neural Networks for Classification of Schizophrenia and Controls [25.80846093248797]
畳み込みニューラルネットワーク(CNN)は、自然画像と医用画像の両方の分類に成功している。我々は3D CNNモデルを構築し、その性能を手作りの機能ベースの機械学習アプローチと比較した。 CNNモデルは手作りの特徴ベース機械学習よりも高いクロスバリデーション精度を達成した。
論文参考訳（メタデータ） (2020-03-14T10:05:21Z)

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。