論文の概要: Outlier-based Autism Detection using Longitudinal Structural MRI
- arxiv url: http://arxiv.org/abs/2202.09988v1
- Date: Mon, 21 Feb 2022 04:37:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 08:50:04.773914
- Title: Outlier-based Autism Detection using Longitudinal Structural MRI
- Title（参考訳）: 縦構造MRIを用いたアウトリアベース自閉症検出
- Authors: Devika K, Venkata Ramana Murthy Oruganti, Dwarikanath Mahapatra,
Ramanathan Subramanian
- Abstract要約: 本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
- 参考スコア（独自算出の注目度）: 6.311381904410801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosis of Autism Spectrum Disorder (ASD) using clinical evaluation
(cognitive tests) is challenging due to wide variations amongst individuals.
Since no effective treatment exists, prompt and reliable ASD diagnosis can
enable the effective preparation of treatment regimens. This paper proposes
structural Magnetic Resonance Imaging (sMRI)-based ASD diagnosis via an outlier
detection approach. To learn Spatio-temporal patterns in structural brain
connectivity, a Generative Adversarial Network (GAN) is trained exclusively
with sMRI scans of healthy subjects. Given a stack of three adjacent slices as
input, the GAN generator reconstructs the next three adjacent slices; the GAN
discriminator then identifies ASD sMRI scan reconstructions as outliers. This
model is compared against two other baselines -- a simpler UNet and a
sophisticated Self-Attention GAN. Axial, Coronal, and Sagittal sMRI slices from
the multi-site ABIDE II dataset are used for evaluation. Extensive experiments
reveal that our ASD detection framework performs comparably with the
state-of-the-art with far fewer training data. Furthermore, longitudinal data
(two scans per subject over time) achieve 17-28% higher accuracy than
cross-sectional data (one scan per subject). Among other findings, metrics
employed for model training as well as reconstruction loss computation impact
detection performance, and the coronal modality is found to best encode
structural information for ASD detection.
- Abstract（参考訳）: 臨床評価(認知検査)を用いた自閉症スペクトラム障害(ASD)の診断は,個人差が大きいため困難である。
効果的な治療法は存在しないため、迅速かつ信頼性の高いALD診断は治療レギュラーの効果的な準備を可能にする。
本稿では, 構造型磁気共鳴イメージング(sMRI)を用いた外乱検出手法によるASD診断を提案する。
構造脳接続における時空間パターンを学習するために、GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
入力として3つの隣接スライスからなるスタックが与えられた後、GANジェネレータは次の3つの隣接スライスを再構成する。
このモデルは、単純なUNetと洗練されたSelf-Attention GANという、他の2つのベースラインと比較される。
マルチサイトABIDE IIデータセットのAxial,Coronal,Sagittal sMRIスライスを用いて評価を行う。
大規模な実験により、我々のASD検出フレームワークは、最先端のトレーニングデータと同等に機能することがわかった。
さらに、縦断データ(時間とともに2回のスキャン)は、断面データ(1回のスキャン)よりも17～28%高い精度が得られる。
モデルトレーニングに使用されるメトリクスや再構成損失計算による影響検出性能は,ASD検出のための構造情報の符号化に最適である。
関連論文リスト
- Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Diagnosing Bipolar Disorder from 3-D Structural Magnetic Resonance
Images Using a Hybrid GAN-CNN Method [0.0]
本研究では、3次元構造MRI画像(sMRI)から双極性障害(BD)を診断するためのハイブリッドGAN-CNNモデルを提案する。
その結果, 精度が75.8%, 感度が60.3%, 特異性が82.5%となり, 従来よりも3.5%高いことがわかった。
論文 参考訳（メタデータ） (2023-10-11T10:17:41Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Autism Spectrum Disorder Classification in Children based on Structural
MRI Features Extracted using Contrastive Variational Autoencoder [5.2927782596213]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、患者に社会的相互作用能力の重大な障害をもたらす精神疾患である。
機械学習とニューロイメージング技術の発展に伴い、構造MRI(s-MRI)に基づくASDの機械分類に関する研究が盛んに行われている。
5歳未満の被験者に対するASDの機械分類を行う研究はほとんどないが、わずかに予測精度が低い。
論文 参考訳（メタデータ） (2023-07-03T12:46:19Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳（メタデータ） (2022-08-30T16:06:07Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
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。