論文の概要: Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation
of Brain Atrophy using Deep Networks
- arxiv url: http://arxiv.org/abs/2108.08214v1
- Date: Wed, 18 Aug 2021 15:58:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 16:55:19.491076
- Title: Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation
of Brain Atrophy using Deep Networks
- Title（参考訳）: 認知症から健康年齢を逸脱させる:ディープネットワークを用いた脳萎縮の生体力学的シミュレーション
- Authors: Mariana Da Silva, Carole H. Sudre, Kara Garcia, Cher Bass, M. Jorge
Cardoso, and Emma C. Robinson
- Abstract要約: 健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。
このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。
その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
- 参考スコア（独自算出の注目度）: 5.411313268782566
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomechanical modeling of tissue deformation can be used to simulate
different scenarios of longitudinal brain evolution. In this work,we present a
deep learning framework for hyper-elastic strain modelling of brain atrophy,
during healthy ageing and in Alzheimer's Disease. The framework directly models
the effects of age, disease status, and scan interval to regress regional
patterns of atrophy, from which a strain-based model estimates deformations.
This model is trained and validated using 3D structural magnetic resonance
imaging data from the ADNI cohort. Results show that the framework can estimate
realistic deformations, following the known course of Alzheimer's disease, that
clearly differentiate between healthy and demented patterns of ageing. This
suggests the framework has potential to be incorporated into explainable models
of disease, for the exploration of interventions and counterfactual examples.
- Abstract（参考訳）: 組織変形の生体力学的モデリングは、縦型脳進化の異なるシナリオをシミュレートするために用いられる。
本研究では,健常年齢,アルツハイマー病における脳萎縮の高弾性ひずみモデリングのための深層学習フレームワークを提案する。
このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。
このモデルはadniコホートからの3次元構造磁気共鳴イメージングデータを用いて訓練および検証される。
その結果、この枠組みはアルツハイマー病の既知の経過に従って、健康的パターンと老化のパターンを明確に区別する現実的な変形を推定できることがわかった。
これは、このフレームワークが、治療や偽例の探索のために、説明可能な疾患モデルに組み込まれる可能性を示唆している。
関連論文リスト
- Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。
PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
論文 参考訳（メタデータ） (2024-07-19T12:58:18Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - 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) - Deep Structural Causal Shape Models [21.591869329812283]
因果推論(Causal reasoning)は、重要な介入や反現実的な疑問を問う言語を提供する。
医用画像では,遺伝的要因,環境要因,ライフスタイル要因の因果効果について検討する。
形態的変動に関する因果推論を可能にするための計算ツールが不足している。
論文 参考訳（メタデータ） (2022-08-23T13:18:20Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - A Diffeomorphic Aging Model for Adult Human Brain from Cross-Sectional
Data [3.2188961353850187]
そこで本稿では,異なる時点の被験者の画像を用いて,与えられた人口の老化モデルを構築する手法を提案する。
提案手法は,2つの公開断面データセット上で有効に検証される。
論文 参考訳（メタデータ） (2021-06-28T10:04:05Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳（メタデータ） (2021-04-10T03:16:33Z) - Biomechanical modelling of brain atrophy through deep learning [4.67368836235476]
このツールは、アルツハイマー病ニューロイメージングイニシアティブデータセットの縦方向の脳肥大データを使用して検証されます。
訓練されたモデルでは,新しい脳の変形を最小限の残差で高速にシミュレートできることを実証する。
この方法は、データ増強や、脳の成長と萎縮を反映する様々な因果仮説の探索に使用される可能性がある。
論文 参考訳（メタデータ） (2020-12-14T14:40:47Z) - 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) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。