論文の概要: Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction
- arxiv url: http://arxiv.org/abs/2107.09928v1
- Date: Wed, 21 Jul 2021 08:08:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:14:22.724806
- Title: Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction
- Title（参考訳）: 早期アルツハイマー病予測のためのマルチモーダル表現学習と逆行性ハイパーグラフ融合
- Authors: Qiankun Zuo, Baiying Lei, Yanyan Shen, Yong Liu, Zhiguang Feng,
Shuqiang Wang
- Abstract要約: 本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
- 参考スコア（独自算出の注目度）: 30.99183477161096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal neuroimage can provide complementary information about the
dementia, but small size of complete multimodal data limits the ability in
representation learning. Moreover, the data distribution inconsistency from
different modalities may lead to ineffective fusion, which fails to
sufficiently explore the intra-modal and inter-modal interactions and
compromises the disease diagnosis performance. To solve these problems, we
proposed a novel multimodal representation learning and adversarial hypergraph
fusion (MRL-AHF) framework for Alzheimer's disease diagnosis using complete
trimodal images. First, adversarial strategy and pre-trained model are
incorporated into the MRL to extract latent representations from multimodal
data. Then two hypergraphs are constructed from the latent representations and
the adversarial network based on graph convolution is employed to narrow the
distribution difference of hyperedge features. Finally, the hyperedge-invariant
features are fused for disease prediction by hyperedge convolution. Experiments
on the public Alzheimer's Disease Neuroimaging Initiative(ADNI) database
demonstrate that our model achieves superior performance on Alzheimer's disease
detection compared with other related models and provides a possible way to
understand the underlying mechanisms of disorder's progression by analyzing the
abnormal brain connections.
- Abstract（参考訳）: マルチモーダルニューロイメージは認知症に関する補完的な情報を提供するが、完全なマルチモーダルデータのサイズは表現学習の能力を制限する。
さらに、異なるモダリティからのデータ分散の不整合は、非効率的な融合につながる可能性があり、モダリティ内およびモダリティ間相互作用を十分に探求できず、疾患診断性能を損なう。
そこで本研究では, アルツハイマー病の診断にmrl-ahf(multimodal representation learning and adversarial hypergraph fusion)フレームワークを提案する。
まず,マルチモーダルデータから潜在表現を抽出するMRLに,逆戦略と事前学習モデルを組み込む。
次に、潜在表現から2つのハイパーグラフを構築し、グラフ畳み込みに基づく逆ネットワークを用いてハイパーエッジ特徴の分布差を狭める。
最後に、ハイパーエッジ不変機能はハイパーエッジ畳み込みによる疾患予測のために融合される。
adni(public alzheimer's disease neuroimaging initiative)データベースを用いた実験により,本モデルがアルツハイマー病の検出において,他の関連モデルと比較して優れた性能を発揮することを示し,異常脳結合の分析による障害進行の根本的メカニズムの理解を可能にする。
関連論文リスト
- Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳（メタデータ） (2023-10-25T19:02:57Z) - 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) - Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's
Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。
本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。
次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T02:04:05Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。
本稿では,情報誘導バイアスの一般的な分類法を提案する。
自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
論文 参考訳（メタデータ） (2022-09-07T01:37:19Z) - Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer
Classification [4.179845212740817]
アルツハイマー病診断のための新しい半教師付きハイパーグラフ学習フレームワークを提案する。
本フレームワークは,マルチモーダル画像と非画像データ間の高次関係を実現する。
我々は、我々の実験を通して、我々のフレームワークがアルツハイマー病診断の現在の技術より優れていることを実証した。
論文 参考訳（メタデータ） (2022-04-04T10:31:42Z) - A Prior Guided Adversarial Representation Learning and Hypergraph
Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。
PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
論文 参考訳（メタデータ） (2021-10-12T03:10:37Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - 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)
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。