論文の概要: Q-Net: A Quantitative Susceptibility Mapping-based Deep Neural Network
for Differential Diagnosis of Brain Iron Deposition in Hemochromatosis
- arxiv url: http://arxiv.org/abs/2110.00203v1
- Date: Fri, 1 Oct 2021 04:17:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 00:38:53.812170
- Title: Q-Net: A Quantitative Susceptibility Mapping-based Deep Neural Network
for Differential Diagnosis of Brain Iron Deposition in Hemochromatosis
- Title(参考訳): Q-Net: 血液クロマトーシスにおける脳鉄沈着の鑑別診断のための定量的サセプティビリティマッピングに基づくディープニューラルネットワーク
- Authors: Soheil Zabihi, Elahe Rahimian, Soumya Sharma, Sean K. Sethi, Sara
Gharabaghi, Amir Asif, E. Mark Haacke, Mandar S. Jog, Arash Mohammadi
- Abstract要約: ヘモクロマトーシス(Hemochromatosis)は、ヨーロッパ人において最も一般的な全身性鉄過剰症である。
最近の研究では、ヘモクロマトーシス患者に高い脳の鉄蓄積が報告されている。
- 参考スコア(独自算出の注目度): 13.671114852351517
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain iron deposition, in particular deep gray matter nuclei, increases with
advancing age. Hereditary Hemochromatosis (HH) is the most common inherited
disorder of systemic iron excess in Europeans and recent studies claimed high
brain iron accumulation in patient with Hemochromatosis. In this study, we
focus on Artificial Intelligence (AI)-based differential diagnosis of brain
iron deposition in HH via Quantitative Susceptibility Mapping (QSM), which is
an established Magnetic Resonance Imaging (MRI) technique to study the
distribution of iron in the brain. Our main objective is investigating
potentials of AI-driven frameworks to accurately and efficiently differentiate
individuals with Hemochromatosis from those of the healthy control group. More
specifically, we developed the Q-Net framework, which is a data-driven model
that processes information on iron deposition in the brain obtained from
multi-echo gradient echo imaging data and anatomical information on T1-Weighted
images of the brain. We illustrate that the Q-Net framework can assist in
differentiating between someone with HH and Healthy control (HC) of the same
age, something that is not possible by just visualizing images. The study is
performed based on a unique dataset that was collected from 52 subjects with HH
and 47 HC. The Q-Net provides a differential diagnosis accuracy of 83.16% and
80.37% in the scan-level and image-level classification, respectively.
- Abstract(参考訳): 脳の鉄沈着、特に深い灰白質核は老化とともに増加する。
遺伝性ヘモクロマトーシス(HH)は、ヨーロッパ人や最近の研究では、ヘモクロマトーシス患者では高い脳の鉄蓄積が報告されている。
本研究では,脳内の鉄の分布を研究するために確立された磁気共鳴イメージング(MRI)技術である量的感受性マッピング(QSM)を用いて,人工知能(AI)を用いた脳内鉄沈着の鑑別診断に着目する。
本研究の目的は,ヘモクロマトーシス患者を健康管理グループと正確にかつ効率的に区別する,ai駆動フレームワークの可能性を検討することである。
より具体的には、マルチエコ勾配エコー画像データとT1重画像の解剖学的情報から得られた脳内の鉄沈着情報を処理するデータ駆動モデルであるQ-Netフレームワークを開発した。
Q-Netフレームワークは、画像の可視化だけでは不可能な、同じ年齢のHHとHealthy Control(HC)の区別を支援することができる。
この研究は、HHと47HCの52人の被験者から収集されたユニークなデータセットに基づいて行われた。
Q-Netは、それぞれスキャンレベルと画像レベルの分類において、83.16%と80.37%の差分診断精度を提供する。
関連論文リスト
- FetMRQC: an open-source machine learning framework for multi-centric
fetal brain MRI quality control [33.97036144360145]
本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。
FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。
我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
論文 参考訳(メタデータ) (2023-11-08T15:59:41Z) - Extracting the Multiscale Causal Backbone of Brain Dynamics [10.821465726323712]
複数の時間的尺度で個人が共有する脳波のマルチスケール因果バックボーン(MCB)を提案する。
マルチスケールの性質のおかげで、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動される。
我々のアプローチは、低周波帯域では、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動されることを示している。
論文 参考訳(メタデータ) (2023-10-31T19:47:11Z) - 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) - 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) - Data-Driven Network Neuroscience: On Data Collection and Benchmark [6.796086914275059]
本稿では,神経科学,機械学習,グラフ解析の交わりにおける潜在的な研究のための,機能的ヒト脳ネットワークデータの収集について述べる。
データセットは6つの異なるソースから始まり、4つの脳の状態をカバーし、合計で2,702人の被験者で構成されている。
論文 参考訳(メタデータ) (2022-11-11T02:14:28Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - Classification of ADHD Patients by Kernel Hierarchical Extreme Learning
Machine [4.168157981135698]
我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。
本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。
提案手法は既存の方法よりも優れた分類結果を得た。
論文 参考訳(メタデータ) (2022-02-18T01:32:55Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳(メタデータ) (2021-04-06T02:01:43Z) - DEEPMIR: A DEEP neural network for differential detection of cerebral
Microbleeds and IRon deposits in MRI [3.0361336899303693]
脳小血腫(CMB)と基底核の非出血鉄鉱床は脳老化、血管疾患、神経変性疾患と関連している。
我々は,CMBと鉄鉱床のセグメンテーションに適した深層学習に基づくセグメンテーション法を開発した。
論文 参考訳(メタデータ) (2020-09-30T23:50:14Z) - 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) - 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。