論文の概要: Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2109.05627v1
- Date: Sun, 12 Sep 2021 22:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-14 15:22:56.443552
- Title: Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network
- Title（参考訳）: 生成型adversarial network を用いた前頭側頭側認知症とアルツハイマー病の鑑別診断
- Authors: Ma Da and Lu Donghuan and Popuri Karteek and Beg Mirza Faisal
- Abstract要約: 前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Frontotemporal dementia and Alzheimer's disease are two common forms of
dementia and are easily misdiagnosed as each other due to their similar pattern
of clinical symptoms. Differentiating between the two dementia types is crucial
for determining disease-specific intervention and treatment. Recent development
of Deep-learning-based approaches in the field of medical image computing are
delivering some of the best performance for many binary classification tasks,
although its application in differential diagnosis, such as neuroimage-based
differentiation for multiple types of dementia, has not been explored. In this
study, a novel framework was proposed by using the Generative Adversarial
Network technique to distinguish FTD, AD and normal control subjects, using
volumetric features extracted at coarse-to-fine structural scales from Magnetic
Resonance Imaging scans. Experiments of 10-folds cross-validation on 1,954
images achieved high accuracy. With the proposed framework, we have
demonstrated that the combination of multi-scale structural features and
synthetic data augmentation based on generative adversarial network can improve
the performance of challenging tasks such as differentiating Dementia
sub-types.
- Abstract（参考訳）: 前頭側頭型認知症とアルツハイマー病は2つの共通型認知症であり、臨床症状の類似性により、互いに容易に誤診される。
2つの認知症タイプの違いは、疾患特異的な介入と治療を決定する上で重要である。
近年の医学画像処理分野における深層学習に基づくアプローチの開発は,複数の認知症に対する神経画像に基づく分化などの鑑別診断への応用は行われていないが,多くのバイナリ分類タスクにおいて最高の性能を提供している。
本研究では, FTD, AD, および通常の制御対象を識別するために, 磁気共鳴画像スキャンから粗大から微細な構造スケールで抽出した体積特性を用いて, ジェネレーティブ・アドバイサル・ネットワーク技術を用いて新しい枠組みを提案する。
1,954画像における10倍クロスバリデーションの実験は高精度に達成された。
提案する枠組みにより,多元的構造的特徴と生成的逆ネットワークに基づく合成データ拡張の組み合わせにより,認知症サブタイプの分化などの課題を解決できることを実証した。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - 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) - Deep grading for MRI-based differential diagnosis of Alzheimer's disease
and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭性認知症は神経変性性認知症の一般的な形態である。
現在の構造イメージングは、主に疾患の検出に焦点をあてるが、その鑑別診断にはほとんど焦点を当てない。
本稿では,疾患検出と鑑別診断の両問題に対するディープラーニングに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-25T13:25:18Z) - Tensor-Based Multi-Modality Feature Selection and Regression for
Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。
3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文 参考訳（メタデータ） (2022-09-23T02:17:27Z) - Interpretable differential diagnosis for Alzheimer's disease and
Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭性認知症は2つの主要な認知症である。
これら2種類の認知症の鑑別診断は、臨床症状の類似パターンにより、疾患の初期段階では困難である。
近年の医用画像の深層学習は,様々な分類課題において高い性能を示した。
論文 参考訳（メタデータ） (2022-06-15T09:44:30Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳（メタデータ） (2021-01-07T10:17:11Z) - 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。