論文の概要: Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset

• arxiv url: http://arxiv.org/abs/2112.13811v1
• Date: Mon, 27 Dec 2021 18:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 16:22:29.999127
• Title: Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset
• Title（参考訳）: 乳幼児の脳年齢分類:2D CNNは小データセットで3D CNNより優れている
• Authors: Mahdieh Shabanian, Markus Wenzel, John P. DeVincenzo
• Abstract要約: 乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.14063138455565613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining if the brain is developing normally is a key component of pediatric neuroradiology and neurology. Brain magnetic resonance imaging (MRI) of infants demonstrates a specific pattern of development beyond simply myelination. While radiologists have used myelination patterns, brain morphology and size characteristics to determine age-adequate brain maturity, this requires years of experience in pediatric neuroradiology. With no standardized criteria, visual estimation of the structural maturity of the brain from MRI before three years of age remains dominated by inter-observer and intra-observer variability. A more objective estimation of brain developmental age could help physicians identify many neurodevelopmental conditions and diseases earlier and more reliably. Such data, however, is naturally hard to obtain, and the observer ground truth not much of a gold standard due to subjectivity of assessment. In this light, we explore the general feasibility to tackle this task, and the utility of different approaches, including two- and three-dimensional convolutional neural networks (CNN) that were trained on a fusion of T1-weighted, T2-weighted, and proton density (PD) weighted sequences from 84 individual subjects divided into four age groups from birth to 3 years of age. In the best performing approach, we achieved an accuracy of 0.90 [95% CI:0.86-0.94] using a 2D CNN on a central axial thick slab. We discuss the comparison to 3D networks and show how the performance compares to the use of only one sequence (T1w). In conclusion, despite the theoretical superiority of 3D CNN approaches, in limited-data situations, such approaches are inferior to simpler architectures. The code can be found in https://github.com/shabanian2018/Age_MRI-Classification
• Abstract（参考訳）: 脳が正常に発達しているかどうかを決定することは、小児神経放射線学と神経学の重要な要素である。 乳児の脳磁気共鳴画像(MRI)は、単純なミエリン化以上の発達パターンを示す。 放射線学者は、ミエリン化パターン、脳形態、大きさの特徴を年齢に合った脳の成熟度を決定するために用いているが、これは小児神経放射線学における長年の経験を必要とする。 標準的な基準がないため、3歳以前のmriから脳の構造成熟度を視覚的に推定することは、オブザーバ間およびオブザーバ内変動によって支配されている。 より客観的な脳発達年齢の推定は、医師がより早くより確実に多くの神経発達状態や疾患を特定するのに役立つ。 しかし、そのようなデータを得るのは自然に困難であり、観察者は評価の主観性のために金本位制の真理をあまり持っていない。 本研究では,t1重み付き,t2重み付き,およびプロトン密度 (pd) の融合を訓練した2次元および3次元畳み込みニューラルネットワーク (cnn) を,出生から3歳までの4つの年齢グループに分けた84名の被験者の重み付きシーケンスに適用する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を実現した。 本稿では,3次元ネットワークとの比較を行い,その性能を1つのシーケンス(T1w)で比較した。 結論として、3D CNNアプローチの理論的優位性にもかかわらず、限られたデータ状況では、そのようなアプローチはより単純なアーキテクチャよりも劣っている。 コードはhttps://github.com/shabanian2018/Age_MRI-Classificationにある。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• MRI Volume-Based Robust Brain Age Estimation Using Weight-Shared Spatial Attention in 3D CNNs [3.038642416291856]
  提案モデルでは,CNNの各層に共有空間アテンション層が組み込まれ,さらに5層に高密度層が組み込まれている。 提案手法の斬新さは,CNN層間の共有重みを持つ空間的注意モジュールの概念にある。 提案手法は, 健常者516T1のMRI量からなるADNIデータセットを用いてトレーニングし, 平均絶対誤差(MAE)は1.662歳であった。
  論文  参考訳（メタデータ） (2024-07-09T09:00:21Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• Triamese-ViT: A 3D-Aware Method for Robust Brain Age Estimation from MRIs [0.7770029179741429]
  本稿では,脳年齢推定のためのViTモデルの革新的適応であるTriamese-ViTを紹介する。 1351のMRIスキャンでテストした結果、Triamese-ViTは平均絶対誤差(MAE)が3.84、スピアマン相関係数が0.9、スピアマン相関係数が-0.29である。
  論文  参考訳（メタデータ） (2024-01-13T03:29:56Z)
• Brain Structure Ages -- A new biomarker for multi-disease classification [0.0]
  構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。 脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
  論文  参考訳（メタデータ） (2023-04-13T14:56:51Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• 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)
• Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
  脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。 3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
  論文  参考訳（メタデータ） (2020-10-07T01:24:15Z)
• 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)

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。