Fugu-MT 論文翻訳(概要): Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis

論文の概要: Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis

arxiv url: http://arxiv.org/abs/2108.04555v1
Date: Tue, 10 Aug 2021 10:06:54 GMT
ステータス: 処理完了
システム内更新日: 2021-08-11 14:25:32.358634
Title: Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis
Title（参考訳）: 病理領域の深部学習とアルツハイマー病診断
Authors: Changhyun Park and Heung-Il Suk
Abstract要約: BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。 5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
参考スコア（独自算出の注目度）: 4.5484714814315685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The identification of Alzheimer's disease (AD) and its early stages using structural magnetic resonance imaging (MRI) has been attracting the attention of researchers. Various data-driven approaches have been introduced to capture subtle and local morphological changes of the brain accompanied by the disease progression. One of the typical approaches for capturing subtle changes is patch-level feature representation. However, the predetermined regions to extract patches can limit classification performance by interrupting the exploration of potential biomarkers. In addition, the existing patch-level analyses have difficulty explaining their decision-making. To address these problems, we propose the BrainBagNet with a position-based gate (PG-BrainBagNet), a framework for jointly learning pathological region localization and AD diagnosis in an end-to-end manner. In advance, as all scans are aligned to a template in image processing, the position of brain images can be represented through the 3D Cartesian space shared by the overall MRI scans. The proposed method represents the patch-level response from whole-brain MRI scans and discriminative brain-region from position information. Based on the outcomes, the patch-level class evidence is calculated, and then the image-level prediction is inferred by a transparent aggregation. The proposed models were evaluated on the ADNI datasets. In five-fold cross-validation, the classification performance of the proposed method outperformed that of the state-of-the-art methods in both AD diagnosis (AD vs. normal control) and mild cognitive impairment (MCI) conversion prediction (progressive MCI vs. stable MCI) tasks. In addition, changes in the identified discriminant regions and patch-level class evidence according to the patch size used for model training are presented and analyzed.
Abstract（参考訳）: 構造磁気共鳴画像(mri)を用いたアルツハイマー病(ad)とその早期診断は研究者の注目を集めている。病気の進行に伴う脳の微妙で局所的な形態変化を捉えるために、様々なデータ駆動アプローチが導入された。微妙な変更をキャプチャする典型的なアプローチの1つは、パッチレベルの特徴表現である。しかし、パッチを抽出する所定の領域は、潜在的なバイオマーカーの探索を中断することで分類性能を制限することができる。さらに、既存のパッチレベルの分析では、意思決定の説明が難しい。このような問題に対処するため,我々は,病的領域の局所化とAD診断をエンドツーエンドで共同学習するBrainBagNet(PG-BrainBagNet)を提案する。事前に、すべてのスキャンが画像処理のテンプレートに整列されているため、脳画像の位置は、MRIスキャンで共有される3次元カルテシアン空間を通して表現することができる。提案手法は全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。結果に基づいてパッチレベルのクラス証拠を算出し、透明な集計によって画像レベルの予測を推測する。提案モデルはadniデータセット上で評価された。 5倍のクロスバリデーションでは,AD診断(AD対正規制御)と軽度認知障害(MCI対安定MCI)の変換予測(プログレッシブMCI対安定MCI)の両方において,提案手法の分類性能は最先端の手法よりも優れていた。また、識別された識別領域の変化と、モデルトレーニングに使用するパッチサイズに応じたパッチレベルのクラス証拠を提示し分析する。

関連論文リスト

Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法 (HSPI) を考案した。 HSPIは、画像レベルのラベルとニューラルネットワーク分類器(NNC)のみを用いて、解釈可能な疾患の局在を達成できる本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
論文参考訳（メタデータ） (2024-05-23T09:07:21Z)
Discrepancy-based Diffusion Models for Lesion Detection in Brain MRI [1.8420387715849447]
拡散確率モデル(DPM)はコンピュータビジョンタスクにおいて大きな効果を示した。彼らの顕著なパフォーマンスはラベル付きデータセットに大きく依存しており、医療画像への適用を制限する。本稿では,異なる特徴を取り入れた新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-05-08T11:26:49Z)
Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文参考訳（メタデータ） (2023-08-31T00:36:10Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer's disease diagnosis and discriminative atrophy localisation with Structural MRI [18.234996137020406]
3次元高解像度データのサイズは、データ分析と処理において大きな課題となる。パッチベースの手法では、画像データを複数の小さな正規パッチに分割することで、より効率的なsMRIベースの画像解析が可能であることが示されている。本研究は、sMRIを用いたアルツハイマー病診断のための、説明可能なパッチローカライズと選択が可能なパッチベースの新しいディープラーニングネットワーク(sMRI-PatchNet)を提案する。
論文参考訳（メタデータ） (2023-02-17T16:01:15Z)
An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2021-07-28T07:19:00Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
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)
An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
論文参考訳（メタデータ） (2020-08-10T11:08:55Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。