論文の概要: Voxel-level Importance Maps for Interpretable Brain Age Estimation
- arxiv url: http://arxiv.org/abs/2108.05388v1
- Date: Wed, 11 Aug 2021 18:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-13 14:37:55.711694
- Title: Voxel-level Importance Maps for Interpretable Brain Age Estimation
- Title(参考訳): ボクセルレベルの重要度マップによる脳年齢推定
- Authors: Kyriaki-Margarita Bintsi, Vasileios Baltatzis, Alexander Hammers,
Daniel Rueckert
- Abstract要約: 本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
- 参考スコア(独自算出の注目度): 70.5330922395729
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain aging, and more specifically the difference between the chronological
and the biological age of a person, may be a promising biomarker for
identifying neurodegenerative diseases. For this purpose accurate prediction is
important but the localisation of the areas that play a significant role in the
prediction is also crucial, in order to gain clinicians' trust and reassurance
about the performance of a prediction model. Most interpretability methods are
focused on classification tasks and cannot be directly transferred to
regression tasks. In this study, we focus on the task of brain age regression
from 3D brain Magnetic Resonance (MR) images using a Convolutional Neural
Network, termed prediction model. We interpret its predictions by extracting
importance maps, which discover the parts of the brain that are the most
important for brain age. In order to do so, we assume that voxels that are not
useful for the regression are resilient to noise addition. We implement a noise
model which aims to add as much noise as possible to the input without harming
the performance of the prediction model. We average the importance maps of the
subjects and end up with a population-based importance map, which displays the
regions of the brain that are influential for the task. We test our method on
13,750 3D brain MR images from the UK Biobank, and our findings are consistent
with the existing neuropathology literature, highlighting that the hippocampus
and the ventricles are the most relevant regions for brain aging.
- Abstract(参考訳): 脳の老化、特に人の年代と生物学的年齢の違いは、神経変性疾患を識別するための有望なバイオマーカーである可能性がある。
この目的のためには正確な予測が重要であるが、予測モデルの性能に対する臨床医の信頼と安心を得るためには、予測において重要な役割を果たす領域の局所化も重要である。
ほとんどの解釈可能性法は分類タスクに焦点を当てており、回帰タスクに直接転送することはできない。
本研究では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目し,予測モデルを提案する。
我々は、脳の年齢において最も重要な部分を発見する重要な地図を抽出することで、その予測を解釈する。
これを実現するため、回帰に役立たないボクセルはノイズ付加に対して弾力性があると仮定する。
予測モデルの性能を損なうことなく、入力にできるだけ多くのノイズを加えることを目的としたノイズモデルを実装した。
被験者の重要度マップを平均化し、その課題に影響を及ぼす脳の領域を表示する人口ベースの重要度マップを作成する。
本手法は,英国バイオバンクの3D脳MRI画像13750枚を用いて検討し,既存の神経病理文献と一致し,海馬と心室が脳老化の最も関連性の高い領域であることを示した。
関連論文リスト
- Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳(メタデータ) (2025-01-02T19:37:09Z) - Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文 参考訳(メタデータ) (2024-03-02T16:13:06Z) - 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) - Reframing the Brain Age Prediction Problem to a More Interpretable and
Quantitative Approach [0.41942958779358674]
ほとんどのディープラーニングモデルは、グローバルな年齢予測のみを提供し、その結果を解釈するために、サリエンシマップのような技術に依存している。
本研究では,MR画像からの年齢予測問題を画像から画像への回帰問題に再構成し,MRI画像中の各脳のボクセルの年齢を推定する。
以上の結果から,脳の老化過程の空間的情報を提供し,定量化の恩恵を受けるため,ボクセルの年齢予測モデルの方が解釈可能であることが示唆された。
論文 参考訳(メタデータ) (2023-08-23T20:33:22Z) - Does pre-training on brain-related tasks results in better
deep-learning-based brain age biomarkers? [4.114671069824331]
脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。
軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。
論文 参考訳(メタデータ) (2023-07-11T13:16:04Z) - 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) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳(メタデータ) (2022-07-07T15:37:17Z) - Brain Structural Saliency Over The Ages [0.41998444721319217]
524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。
老化過程を通じて異なる脳領域への関連性の変化を示す。
地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
論文 参考訳(メタデータ) (2022-01-12T09:50:29Z) - 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。