論文の概要: Global-Local Transformer for Brain Age Estimation

• arxiv url: http://arxiv.org/abs/2109.01663v1
• Date: Fri, 3 Sep 2021 01:39:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-19 13:44:04.001756
• Title: Global-Local Transformer for Brain Age Estimation
• Title（参考訳）: 脳年齢推定のためのグローバルローカルトランス
• Authors: Sheng He, P. Ellen Grant, Yangming Ou
• Abstract要約: 深層学習は脳磁気共鳴画像(MRI)に基づく迅速な脳年齢推定を可能にする ほとんどの研究では、局所的なきめ細かい詳細を無視して、入力画像全体からグローバル情報を抽出するために1つのニューラルネットワークを使用している。 入力画像全体からグローバルコンテキスト情報を抽出するグローバルパスと、ローカルパッチから局所的な微細な詳細情報を抽出するローカルパスとからなるグローバルローカルトランスフォーマーを提案する。
• 参考スコア（独自算出の注目度）: 3.222802562733787
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning can provide rapid brain age estimation based on brain magnetic resonance imaging (MRI). However, most studies use one neural network to extract the global information from the whole input image, ignoring the local fine-grained details. In this paper, we propose a global-local transformer, which consists of a global-pathway to extract the global-context information from the whole input image and a local-pathway to extract the local fine-grained details from local patches. The fine-grained information from the local patches are fused with the global-context information by the attention mechanism, inspired by the transformer, to estimate the brain age. We evaluate the proposed method on 8 public datasets with 8,379 healthy brain MRIs with the age range of 0-97 years. 6 datasets are used for cross-validation and 2 datasets are used for evaluating the generality. Comparing with other state-of-the-art methods, the proposed global-local transformer reduces the mean absolute error of the estimated ages to 2.70 years and increases the correlation coefficient of the estimated age and the chronological age to 0.9853. In addition, our proposed method provides regional information of which local patches are most informative for brain age estimation. Our source code is available on: \url{https://github.com/shengfly/global-local-transformer}.
• Abstract（参考訳）: 深層学習は、脳磁気共鳴画像(MRI)に基づく迅速な脳年齢推定を提供する。 しかし、ほとんどの研究は1つのニューラルネットワークを使用して入力画像全体からグローバル情報を抽出し、局所的な細部の詳細を無視している。 本稿では,全入力画像からグローバルコンテキスト情報を抽出するグローバルパスと,ローカルパッチから局所的な微細な詳細情報を抽出するローカルパスとからなるグローバルローカルトランスフォーマーを提案する。 局所パッチからのきめ細かい情報は、脳年齢を推定するために、トランスフォーマーにインスパイアされた注意機構によってグローバルコンテキスト情報と融合される。 0～97歳以下の健常脳MRI8,379例を対象に,提案手法の評価を行った。 クロスバリデーションには6つのデータセット,一般性評価には2つのデータセットが使用されている。 他の最先端の方法と比較して、提案手法は推定年齢の平均絶対誤差を2.70歳に減らし、推定年齢と時系列年齢の相関係数を0.9853に引き上げる。 また,提案手法は,脳年齢推定において局所パッチが最も有用な地域情報を提供する。 ソースコードは \url{https://github.com/shengfly/global-local-transformer} で利用可能です。

関連論文リスト

• TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
  現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。 我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
  論文  参考訳（メタデータ） (2023-07-18T06:35:12Z)
• Estimating Brain Age with Global and Local Dependencies [8.182477614847903]
  グローバルおよびローカルな依存関係を解釈する脳年齢を学習するための新しいネットワークを提案する。 我々のネットワークは一連の深層学習手法の中で最も優れており、検証セットの平均絶対誤差(MAE)は2.855で、独立したテストセットでは2.911であった。
  論文  参考訳（メタデータ） (2022-09-19T11:30:18Z)
• MMMNA-Net for Overall Survival Time Prediction of Brain Tumor Patients [9.50523454236412]
  脳腫瘍患者のマルチモーダルOS時間予測法を提案する。 提案手法は,現在の最先端手法に比べて8.76%改善されている。
  論文  参考訳（メタデータ） (2022-06-13T15:51:53Z)
• TransGeo: Transformer Is All You Need for Cross-view Image Geo-localization [81.70547404891099]
  クロスビュー画像のジオローカライゼーションのためのCNNに基づく手法は,大域的相関をモデル化できない。 本稿では,これらの制約に対処するためのトランスジェオ (TransGeo) を提案する。 TransGeoは、都市と農村の両方のデータセットで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2022-03-31T21:19:41Z)
• HDAM: Heuristic Difference Attention Module for Convolutional Neural Networks [1.1125818448814198]
  注意機構は畳み込みニューラルネットワークを強化する上で最も重要な事前知識の1つである。 本稿では, 差分アテンションモジュール HDAM を用いた新しいアテンション機構を提案する。 私たちはPythonライブラリのPytorchでHDAMを実装しています。
  論文  参考訳（メタデータ） (2022-02-19T09:19:01Z)
• Federated Learning from Small Datasets [48.879172201462445]
  フェデレーション学習は、複数のパーティが、ローカルデータを共有せずに、共同モデルを共同でトレーニングすることを可能にする。 そこで本研究では,局所モデルの置換とモデルアグリゲーションを連動させる新しい手法を提案する。 置換は、各ローカルモデルをローカルデータセットのデージーチェーンに公開することで、データスパースドメインでのより効率的なトレーニングを実現する。
  論文  参考訳（メタデータ） (2021-10-07T13:49:23Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• 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)
• Attention-Guided Discriminative Region Localization and Label Distribution Learning for Bone Age Assessment [20.53797537749242]
  骨年齢評価(BAA)における識別領域の自動局在化のための注意誘導手法を提案する。 まず、識別領域の注意図を学習するために分類モデルを訓練し、手指領域、最も識別された領域(手根骨)、次に最も識別された領域(中手骨)を見いだした。 それらの注意図に導かれると、原画像から情報的地域を抽出し、BAAのために異なる地域を集約する。
  論文  参考訳（メタデータ） (2020-05-30T07:04:49Z)
• Think Locally, Act Globally: Federated Learning with Local and Global Representations [92.68484710504666]
  フェデレートラーニング(Federated Learning)とは、複数のデバイスに分散したプライベートデータ上でモデルをトレーニングする手法である。 本稿では,各デバイス上でコンパクトな局所表現を共同で学習する新しいフェデレーション学習アルゴリズムを提案する。 また、プライバシが鍵となる実世界のモバイルデータから、パーソナライズされた気分予測のタスクを評価する。
  論文  参考訳（メタデータ） (2020-01-06T12:40:21Z)

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。