論文の概要: Predicting conversion of mild cognitive impairment to Alzheimer's disease

• arxiv url: http://arxiv.org/abs/2203.04725v1
• Date: Tue, 8 Mar 2022 14:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:53:10.132823
• Title: Predicting conversion of mild cognitive impairment to Alzheimer's disease
• Title（参考訳）: 軽度認知障害のアルツハイマー病への転換予測
• Authors: Yiran Wei, Stephen J. Price, Carola-Bibiane Sch\"onlieb, Chao Li
• Abstract要約: 我々は,日常的な解剖学的MRIから構造的脳ネットワークを生成するための,自己指導型コントラスト学習手法を開発した。 生成された脳ネットワークを用いて、MCI-AD変換を予測するための学習フレームワークを訓練する。
• 参考スコア（独自算出の注目度）: 5.1680226874942985
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Alzheimer's disease (AD) is the most common age-related dementia. Mild cognitive impairment (MCI) is the early stage of cognitive decline before AD. It is crucial to predict the MCI-to-AD conversion for precise management, which remains challenging due to the diversity of patients. Previous evidence shows that the brain network generated from diffusion MRI promises to classify dementia using deep learning. However, the limited availability of diffusion MRI challenges the model training. In this study, we develop a self-supervised contrastive learning approach to generate structural brain networks from routine anatomical MRI under the guidance of diffusion MRI. The generated brain networks are applied to train a learning framework for predicting the MCI-to-AD conversion. Instead of directly modelling the AD brain networks, we train a graph encoder and a variational autoencoder to model the healthy ageing trajectories from brain networks of healthy controls. To predict the MCI-to-AD conversion, we further design a recurrent neural networks based approach to model the longitudinal deviation of patients' brain networks from the healthy ageing trajectory. Numerical results show that the proposed methods outperform the benchmarks in the prediction task. We also visualize the model interpretation to explain the prediction and identify abnormal changes of white matter tracts.
• Abstract（参考訳）: アルツハイマー病 (ad) は最も一般的な年齢関連認知症である。 軽度認知障害(MCI)は、AD以前の認知低下の初期段階である。 MCI-AD変換の正確な管理は,患者の多様性のために依然として困難である。 これまでの証拠は、拡散MRIから生成された脳ネットワークが、ディープラーニングを用いて認知症を分類することを約束していることを示している。 しかし、拡散MRIの可用性は限られており、モデルトレーニングに挑戦する。 本研究では,拡散MRIの指導のもと,通常の解剖学的MRIから構造脳ネットワークを生成するための自己指導型コントラスト学習手法を開発した。 生成された脳ネットワークを用いて、MCI-AD変換を予測するための学習フレームワークを訓練する。 私たちはAD脳ネットワークを直接モデル化する代わりに、グラフエンコーダと変分オートエンコーダをトレーニングし、健康的な制御の脳ネットワークから健康な老化軌道をモデル化します。 MCIからADへの変換を予測するため、我々は、健康な老化軌道から患者の脳ネットワークの長手偏差をモデル化するための、リカレントニューラルネットワークに基づくアプローチをさらに設計する。 数値計算の結果,提案手法は予測タスクのベンチマークよりも優れていた。 また, モデル解釈を可視化し, 予測と白色物質の異常な変化の同定を行う。

関連論文リスト

• Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
  静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。 深層学習はこれらの表現を捉えることを約束している。 本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
  論文  参考訳（メタデータ） (2024-10-30T23:51:31Z)
• Study of Brain Network in Alzheimers Disease Using Wavelet-Based Graph Theory Method [0.0]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。 ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。 本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T07:26:14Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• Adversarial Learning Based Structural Brain-network Generative Model for Analyzing Mild Cognitive Impairment [7.403660531145136]
  軽度認知障害(MCI)はアルツハイマー病(AD)の前駆体である 本研究では,脳拡散テンソル画像から直接構造的接続を学習するために,逆学習に基づく構造的脳ネットワーク生成モデル(SBGM)を提案する。 提案モデルでは,アルツハイマー病神経画像イニシアチブ(ADNI)データベース上で,EMCI,LMCI,NCの3つの被験者を分類し,83.33%の精度で分類した。
  論文  参考訳（メタデータ） (2022-08-09T02:45:53Z)
• 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)
• 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)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• 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)

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。