論文の概要: Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN
- arxiv url: http://arxiv.org/abs/2111.12886v1
- Date: Thu, 25 Nov 2021 03:24:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-29 17:53:16.052494
- Title: Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN
- Title(参考訳): 多方向知覚GANによるアルツハイマー病の形態的特徴の可視化
- Authors: Wen Yu, Baiying Lei, Yanyan Shen, Shuqiang Wang, Yong Liu, Zhiguang
Feng, Yong Hu, Michael K. Ng
- Abstract要約: アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
- 参考スコア(独自算出の注目度): 40.50404819220093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The diagnosis of early stages of Alzheimer's disease (AD) is essential for
timely treatment to slow further deterioration. Visualizing the morphological
features for the early stages of AD is of great clinical value. In this work, a
novel Multidirectional Perception Generative Adversarial Network (MP-GAN) is
proposed to visualize the morphological features indicating the severity of AD
for patients of different stages. Specifically, by introducing a novel
multidirectional mapping mechanism into the model, the proposed MP-GAN can
capture the salient global features efficiently. Thus, by utilizing the
class-discriminative map from the generator, the proposed model can clearly
delineate the subtle lesions via MR image transformations between the source
domain and the pre-defined target domain. Besides, by integrating the
adversarial loss, classification loss, cycle consistency loss and \emph{L}1
penalty, a single generator in MP-GAN can learn the class-discriminative maps
for multiple-classes. Extensive experimental results on Alzheimer's Disease
Neuroimaging Initiative (ADNI) dataset demonstrate that MP-GAN achieves
superior performance compared with the existing methods. The lesions visualized
by MP-GAN are also consistent with what clinicians observe.
- Abstract(参考訳): アルツハイマー病 (AD) の早期診断は, 経時的治療に必要であり, さらなる悪化を遅らせる。
ADの初期段階における形態学的特徴の可視化は臨床的に非常に有用である。
本研究では,異なる段階の患者に対するADの重症度を示す形態的特徴を可視化するために,MP-GAN(Multidirectional Perception Generative Adversarial Network)を提案する。
具体的には、モデルに新しい多方向マッピング機構を導入することで、提案したMP-GANはより効率的なグローバルな特徴を捉えることができる。
したがって、生成元からのクラス識別マップを利用することで、ソース領域と予め定義されたターゲット領域の間のMR画像変換により、微妙な病変を明確化することができる。
さらに,MP-GANの1つの生成器は,対向的損失,分類的損失,サイクル整合性損失,および<emph{L}1ペナルティを統合することで,複数のクラスに対するクラス識別マップを学習することができる。
アルツハイマー病神経画像イニシアチブ(ADNI)データセットの大規模な実験結果から,MP-GANは既存の方法と比較して優れた性能を発揮することが示された。
mp-ganで可視化された病変も臨床医の観察と一致している。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳(メタデータ) (2023-11-10T11:49:49Z) - Pathology Steered Stratification Network for Subtype Identification in
Alzheimer's Disease [7.594681424335177]
アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。
本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
論文 参考訳(メタデータ) (2022-10-12T02:52:00Z) - Segmentation-guided Domain Adaptation and Data Harmonization of
Multi-device Retinal Optical Coherence Tomography using Cycle-Consistent
Generative Adversarial Networks [2.968191199408213]
本稿では,複数のデバイスからの画像を単一画像領域に適応させるセグメント化誘導型領域適応手法を提案する。
来るべき新しいデータセットに対する手動ラベリングの時間消費と、既存のネットワークの再トレーニングを回避する。
論文 参考訳(メタデータ) (2022-08-31T05:06:00Z) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
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。
論文 参考訳(メタデータ) (2021-09-12T22:40:50Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳(メタデータ) (2021-03-03T17:55:14Z) - 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) - An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint
Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。
実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
論文 参考訳(メタデータ) (2020-08-10T11:08:55Z) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。