論文の概要: Brain Structural Saliency Over The Ages

• arxiv url: http://arxiv.org/abs/2202.11690v3
• Date: Sat, 23 Jul 2022 12:00:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-01 08:31:14.798027
• Title: Brain Structural Saliency Over The Ages
• Title（参考訳）: 現代における脳構造障害
• Authors: Daniel Taylor, Jonathan Shock, Deshendran Moodley, Jonathan Ipser, Matthias Treder
• Abstract要約: 524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。 老化過程を通じて異なる脳領域への関連性の変化を示す。 地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
• 参考スコア（独自算出の注目度）: 0.41998444721319217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain Age (BA) estimation via Deep Learning has become a strong and reliable bio-marker for brain health, but the black-box nature of Neural Networks does not easily allow insight into the features of brain ageing.We trained a ResNet model as a BA regressor on T1 structural MRI volumes from a small cross-sectional cohort of 524 individuals. Using Layer-wise Relevance Propagation (LRP) and DeepLIFT saliency mapping techniques, we analysed the trained model to determine the most relevant structures for brain ageing for the network, and compare these between the saliency mapping techniques. We show the change in attribution of relevance to different brain regions through the course of ageing. A tripartite pattern of relevance attribution to brain regions emerges. Some regions increase in relevance with age (e.g. the right Transverse Temporal Gyrus); some decrease in relevance with age (e.g. the right Fourth Ventricle); and others are consistently relevant across ages. We also examine the effect of the Brain Age Gap (BAG) on the distribution of relevance within the brain volume. It is hoped that these findings will provide clinically relevant region-wise trajectories for normal brain ageing, and a baseline against which to compare brain ageing trajectories.
• Abstract（参考訳）: 深層学習による脳年齢推定は、脳の健康にとって強力で信頼性の高いバイオマーカーとなっているが、ニューラルネットワークのブラックボックス的性質は、脳の老化の特徴について簡単には理解できない。我々は、524人の小さな断面コホートからt1構造mriボリュームのbaレグレッサーとしてresnetモデルを訓練した。 層間相関伝播 (lrp) とdeeplift saliency mapping (deeplift saliency mapping) 法を用いて, 学習したモデルを用いて, ネットワークの脳老化に最も関連する構造を同定し, これらを塩分マッピング法と比較した。 老化過程を通じて異なる脳領域への関連性の帰属の変化を示す。 脳領域に関連する三部構成パターンが出現する。 地域によっては、年齢(例えば、右横側側頭回)、年齢(例えば、右第4心室)との関連性が増大し、その他の地域は、年齢を通じて一貫して関連している。 また,脳年齢ギャップ(bag)が脳体積内の関連性分布に及ぼす影響についても検討した。 これらの知見は、正常な脳老化のための臨床的に関連する領域的軌跡と、脳老化軌跡を比較するための基準となることを期待されている。

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)
• 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)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• 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)
• 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)
• Local semi-supervised approach to brain tissue classification in child brain MRI [0.0]
  小児脳MRIにおけるほとんどのセグメンテーション法は、制御されており、主要な脳構造の大域的な強度確率計算に基づいている。 本稿では,主要な組織群(白質,灰白質)と髄液の分類を検討した。 本手法は, 部分体積推定(Partial Volume Estimation)と呼ばれる最先端の分類技術との比較により, 組織クラスの検出を改善した。
  論文  参考訳（メタデータ） (2020-05-20T06:43:41Z)
• Causality based Feature Fusion for Brain Neuro-Developmental Analysis [26.218572787292427]
  脳の成熟中に情報の流れの方向を付加することを提案する。 その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。 その結果,若年者では接続の強度が有意に高かった。
  論文  参考訳（メタデータ） (2020-01-22T17:38:42Z)

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。