論文の概要: Bilinear pooling and metric learning network for early Alzheimer's
disease identification with FDG-PET images
- arxiv url: http://arxiv.org/abs/2111.04985v1
- Date: Tue, 9 Nov 2021 08:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-10 21:10:20.623087
- Title: Bilinear pooling and metric learning network for early Alzheimer's
disease identification with FDG-PET images
- Title(参考訳): FDG-PET画像を用いた早期アルツハイマー病診断のためのバイリニアプールとメートル法学習ネットワーク
- Authors: Wenju Cui, Caiying Yan, Zhuangzhi Yan, Yunsong Peng, Yilin Leng,
Chenlu Liu, Shuangqing Chen, Xi Jiang
- Abstract要約: 軽度認知障害(MCI)およびアルツハイマー病(AD)患者におけるFDG-PETによる脳代謝の変化
本稿では,地域間表現の特徴を抽出し,組込み空間によるハードサンプルの識別が可能な,新しいバイリニアプールとメートル法学習ネットワーク(BMNet)を提案する。
- 参考スコア(独自算出の注目度): 0.293168019422713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: FDG-PET reveals altered brain metabolism in individuals with mild cognitive
impairment (MCI) and Alzheimer's disease (AD). Some biomarkers derived from
FDG-PET by computer-aided-diagnosis (CAD) technologies have been proved that
they can accurately diagnosis normal control (NC), MCI, and AD. However, the
studies of identification of early MCI (EMCI) and late MCI (LMCI) with FDG-PET
images are still insufficient. Compared with studies based on fMRI and DTI
images, the researches of the inter-region representation features in FDG-PET
images are insufficient. Moreover, considering the variability in different
individuals, some hard samples which are very similar with both two classes
limit the classification performance. To tackle these problems, in this paper,
we propose a novel bilinear pooling and metric learning network (BMNet), which
can extract the inter-region representation features and distinguish hard
samples by constructing embedding space. To validate the proposed method, we
collect 998 FDG-PET images from ADNI. Following the common preprocessing steps,
90 features are extracted from each FDG-PET image according to the automatic
anatomical landmark (AAL) template and then sent into the proposed network.
Extensive 5-fold cross-validation experiments are performed for multiple
two-class classifications. Experiments show that most metrics are improved
after adding the bilinear pooling module and metric losses to the Baseline
model respectively. Specifically, in the classification task between EMCI and
LMCI, the specificity improves 6.38% after adding the triple metric loss, and
the negative predictive value (NPV) improves 3.45% after using the bilinear
pooling module.
- Abstract(参考訳): FDG-PETは軽度認知障害(MCI)とアルツハイマー病(AD)の患者において脳代謝の変化を示す。
CAD(Computer-Aided-diagnosis)技術によるFDG-PET由来のバイオマーカーは、正常制御(NC)、MCI、ADを正確に診断できることが証明されている。
しかし,FDG-PET画像による早期MCI(EMCI)と後期MCI(LMCI)の同定はいまだに不十分である。
FDG-PET画像における領域間表現機能の研究は,fMRIおよびDTI画像に基づく研究と比較して不十分である。
さらに,異なる個体の変動性を考慮すると,両クラスとも非常に類似した硬いサンプルによって分類性能が制限される。
そこで本研究では,地域間表現の特徴を抽出し,埋め込み空間を構築することでハードサンプルを識別できる,新しい双線形プーリング・メトリック学習ネットワーク(BMNet)を提案する。
提案手法を検証するため,ADNIから998個のFDG-PET画像を収集した。
一般的な前処理手順に従って、FDG-PET画像から自動解剖学的ランドマーク(AAL)テンプレートに従って90個の特徴を抽出し、提案ネットワークに送信する。
複数の2クラス分類に対して5倍のクロスバリデーション実験を行った。
実験によると、ほとんどのメトリクスは、それぞれベースラインモデルに双線型プーリングモジュールとメトリック損失を追加することで改善されている。
具体的には、EMCIとLMCIの分類タスクにおいて、三重項損失を加えて6.38%の特異性が向上し、双線形プールモジュールを使用した後に負予測値(NPV)が3.45%向上する。
関連論文リスト
- PET Tracer Conversion among Brain PET via Variable Augmented Invertible
Network [8.895830601854534]
画像投影のためのトレーサ変換可逆ニューラルネットワーク(TC-INN)を開発し,FDG画像を深層学習によりDOPA画像にマッピングする。
実験の結果,FDGとDOPAのマッピングでは優れた生成能を示し,PETトレーサ変換はトレーサの限られた応用において大きな可能性を示唆した。
論文 参考訳(メタデータ) (2023-11-01T12:04:33Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine
PET Reconstruction [62.29541106695824]
本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。
計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。
2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
論文 参考訳(メタデータ) (2023-08-20T04:10:36Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳(メタデータ) (2022-09-27T14:19:00Z) - 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) - ReCasNet: Improving consistency within the two-stage mitosis detection
framework [5.263015177621435]
既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。
このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。
Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
論文 参考訳(メタデータ) (2022-02-28T16:03:14Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Evidential segmentation of 3D PET/CT images [20.65495780362289]
3D PET/CT画像におけるリンパ腫のセグメント化には、信念関数に基づくセグメンテーション法が提案されている。
アーキテクチャは特徴抽出モジュールと明白なセグメンテーション(ES)モジュールで構成されている。
びまん性大細胞性b細胞リンパ腫173例のデータベース上で評価した。
論文 参考訳(メタデータ) (2021-04-27T16:06:27Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。