論文の概要: Early Disease Stage Characterization in Parkinson's Disease from
Resting-state fMRI Data Using a Long Short-term Memory Network
- arxiv url: http://arxiv.org/abs/2202.12715v1
- Date: Fri, 11 Feb 2022 18:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-06 13:10:33.815215
- Title: Early Disease Stage Characterization in Parkinson's Disease from
Resting-state fMRI Data Using a Long Short-term Memory Network
- Title（参考訳）: 長期記憶ネットワークを用いた安静時fMRIデータを用いたパーキンソン病の早期病期解析
- Authors: Xueqi Guo, Sule Tinaz, Nicha C. Dvornek
- Abstract要約: パーキンソン病(英: Parkinson's disease、PD)は、ホーン病とイェール病の5段階からなる、一般的で複雑な神経変性疾患である。
早期の第1期と第2期を分類し、脳機能の変化を検出することは困難である。
本稿では,PDの初期段階を特徴付けるために,LSTM(Long Short-term memory)ネットワークを提案する。
- 参考スコア（独自算出の注目度）: 6.487961959149217
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parkinson's disease (PD) is a common and complex neurodegenerative disorder
with 5 stages in the Hoehn and Yahr scaling. Given the heterogeneity of PD, it
is challenging to classify early stages 1 and 2 and detect brain function
alterations. Functional magnetic resonance imaging (fMRI) is a promising tool
in revealing functional connectivity (FC) differences and developing biomarkers
in PD. Some machine learning approaches like support vector machine and
logistic regression have been successfully applied in the early diagnosis of PD
using fMRI data, which outperform classifiers based on manually selected
morphological features. However, the early-stage characterization in FC changes
has not been fully investigated. Given the complexity and non-linearity of fMRI
data, we propose the use of a long short-term memory (LSTM) network to
characterize the early stages of PD. The study included 84 subjects (56 in
stage 2 and 28 in stage 1) from the Parkinson's Progression Markers Initiative
(PPMI), the largest available public PD dataset. Under a repeated 10-fold
stratified cross-validation, the LSTM model reached an accuracy of 71.63%,
13.52% higher than the best traditional machine learning method, indicating
significantly better robustness and accuracy compared with other machine
learning classifiers. We used the learned LSTM model weights to select the top
brain regions that contributed to model prediction and performed FC analyses to
characterize functional changes with disease stage and motor impairment to gain
better insight into the brain mechanisms of PD.
- Abstract（参考訳）: パーキンソン病(英: Parkinson's disease、PD)は、ホーン病とイェール病の5段階の神経変性疾患である。
PDの不均一性を考えると、早期ステージ1と2を分類し、脳機能の変化を検出することは困難である。
機能的磁気共鳴イメージング(fMRI)は、機能的接続性(FC)の違いを明らかにし、PDでバイオマーカーを開発する上で有望なツールである。
サポートベクターマシンやロジスティック回帰といった機械学習手法は、手動で選択した形態的特徴に基づいて分類器を上回り、fMRIデータを用いてPDの早期診断に成功している。
しかし,FC変化の早期評価は十分に研究されていない。
本稿では, fMRIデータの複雑さと非線形性を考慮して, PDの初期段階を特徴付ける長寿命メモリ(LSTM)ネットワークを提案する。
この研究は、パーキンソンの進歩マーカーイニシアチブ(ppmi)の84人の被験者(ステージ2では56人、ステージ1では28人)を対象に行われた。
繰り返し10倍の階層化クロスバリデーションでは、lstmモデルは従来の機械学習法よりも71.63%高い13.52%の精度に達し、他の機械学習分類器と比較してかなり優れた堅牢性と精度を示した。
学習したLSTMモデル重みをモデル予測に寄与する上位脳領域の選択に使用し,疾患ステージと運動障害による機能的変化を特徴付けるためのFC解析を行い,PDの脳機構についてより深い知見を得た。
関連論文リスト
- Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Hybridized Convolutional Neural Networks and Long Short-Term Memory for
Improved Alzheimer's Disease Diagnosis from MRI Scans [2.621434923709917]
本研究では,CNNモデルの特徴抽出機能とLSTMモデルの検出機能を組み合わせたハイブリッドモデルを提案する。
ADNIデータセットを利用したハイブリッドモデルのトレーニング。
モデルの精度は98.8%、感度は100%、特異度は76%に達した。
論文 参考訳（メタデータ） (2024-03-08T14:34:32Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳（メタデータ） (2023-08-14T20:06:19Z) - Parkinsons Disease Detection via Resting-State Electroencephalography
Using Signal Processing and Machine Learning Techniques [0.0]
パーキンソン病(英: Parkinsons Disease、PD)は、ドーパミン作動性ニューロンの変性により運動障害を引き起こす神経変性疾患である。
脳波はPD患者の異常を示す。
1つの大きな課題は、治療薬や治療薬で病気を綿密に監視するために、PDのための一貫性のある、正確で、体系的なバイオマーカーが欠如していることである。
論文 参考訳（メタデータ） (2023-03-29T06:03:05Z) - Early Diagnosis of Parkinsons Disease by Analyzing Magnetic Resonance
Imaging Brain Scans and Patient Characteristics [0.0]
パーキンソン病(英: Parkinsons disease, PD)は、運動能力に影響を及ぼし、震えや剛性などの症状を含む慢性疾患である。
本研究は,パーキンソン・プログレッション・マーカー・イニシアチブ(Parkinson Progressions Markers Initiative)データベースからの症状データとMRIデータを組み合わせて,PD重症度とディープラーニングを正確に診断することを提案する。
症状に基づくモデルは、完全に接続されたディープラーニングニューラルネットワークを統合し、MRIスキャンとハイブリッドモデルは、転送学習に基づく畳み込みニューラルネットワークを統合する。
論文 参考訳（メタデータ） (2022-01-12T15:51:54Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z)
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。