Fugu-MT 論文翻訳(概要): Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks

論文の概要: Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2204.00068v1
Date: Thu, 31 Mar 2022 20:15:51 GMT
ステータス: 処理完了
システム内更新日: 2022-04-05 02:57:21.477954
Title: Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks
Title（参考訳）: 脳MRIデータと深部畳み込みニューラルネットワークを用いたアルツハイマー病の自動分類
Authors: Zahraa Sh. Aaraji, Hawraa H. Abbas
Abstract要約: アルツハイマー病(英: Alzheimer's disease、AD)は、世界の公衆衛生問題の一つ。本稿では,脳MRI画像とセグメント画像を用いたディープラーニングアーキテクチャの構築について検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Alzheimer's disease (AD) is one of the most common public health issues the world is facing today. This disease has a high prevalence primarily in the elderly accompanying memory loss and cognitive decline. AD detection is a challenging task which many authors have developed numerous computerized automatic diagnosis systems utilizing neuroimaging and other clinical data. MRI scans provide high-intensity visible features, making these scans the most widely used brain imaging technique. In recent years deep learning has achieved leading success in medical image analysis. But a relatively little investigation has been done to apply deep learning techniques for the brain MRI classification. This paper explores the construction of several deep learning architectures evaluated on brain MRI images and segmented images. The idea behind segmented images investigates the influence of image segmentation step on deep learning classification. The image processing presented a pipeline consisting of pre-processing to enhance the MRI scans and post-processing consisting of a segmentation method for segmenting the brain tissues. The results show that the processed images achieved a better accuracy in the binary classification of AD vs. CN (Cognitively Normal) across four different architectures. ResNet architecture resulted in the highest prediction accuracy amongst the other architectures (90.83% for the original brain images and 93.50% for the processed images).
Abstract（参考訳）: アルツハイマー病(英: Alzheimer's disease、AD)は、世界の公衆衛生問題の一つ。この疾患は、主に記憶喪失と認知低下を伴う高齢者に高い頻度で発症する。広告検出は、多くの著者が神経画像や他の臨床データを利用した多数のコンピュータ診断システムを開発した困難な課題である。 MRIスキャンは高強度の視認性を提供し、これらのスキャンは最も広く使われている脳画像技術である。近年、深層学習は医用画像分析で主要な成功を収めている。しかし、脳MRI分類にディープラーニング技術を適用するための研究は比較的少ない。本稿では,脳MRI画像とセグメント画像を用いたディープラーニングアーキテクチャの構築について検討する。分割画像の背景にあるアイデアは、画像分割ステップがディープラーニングの分類に与える影響を調査する。画像処理は、mriスキャンを強化する前処理と、脳組織をセグメンテーションするセグメンテーション法からなる後処理からなるパイプラインを示した。その結果,4つの異なるアーキテクチャにおけるAD対CN(認知正規化)のバイナリ分類において,処理された画像の精度が向上した。 ResNetアーキテクチャは他のアーキテクチャの中で最も高い予測精度(元の脳画像では90.83%、処理された画像では93.50%)を得た。

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)
Brain-ID: Learning Contrast-agnostic Anatomical Representations for Brain Imaging [11.06907516321673]
脳画像のための解剖学的表現学習モデルであるBrain-IDを導入する。提案された"Mild-to-Severe"イントラオブジェクト生成により、Brain-IDは被験者固有の脳解剖に対して堅牢である。本稿では,物体内および物体間ロバスト性を評価するための新しい指標を提案し,その性能を4つの下流アプリケーションで評価する。
論文参考訳（メタデータ） (2023-11-28T16:16:10Z)
Streamlining Brain Tumor Classification with Custom Transfer Learning in MRI Images [1.534667887016089]
脳腫瘍はますます広まり、脳内の異常な組織が制御不能に広がるのが特徴である。本研究では,MRI画像からの脳腫瘍の分類を,カスタムトランスファー学習ネットワークを用いて効率的に行う方法を提案する。
論文参考訳（メタデータ） (2023-10-19T19:13:04Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
DeepBrainPrint: A Novel Contrastive Framework for Brain MRI Re-Identification [2.5855676778881334]
我々はDeepBrainPrintというAIベースのフレームワークを提案し、同じ患者の脳MRIスキャンを検索する。当社のフレームワークは,3つの主要なイノベーションを伴う,半自己指導型のコントラスト型ディープラーニングアプローチです。 DeepBrainPrintをアルツハイマー病脳画像イニシアチブ(ADNI)のT1強調脳MRIの大規模なデータセットでテストした。
論文参考訳（メタデータ） (2023-02-25T11:03:16Z)
Transfer Learning and Class Decomposition for Detecting the Cognitive Decline of Alzheimer Disease [0.0]
本稿では,SMRI画像からアルツハイマー病を検出するためのクラス分解を用いた転写学習手法を提案する。提案モデルは,アルツハイマー病 (AD) と軽度認知障害 (MCI) と認知正常 (CN) の分類課題における最先端の成績を,文献から3%の精度で達成した。
論文参考訳（メタデータ） (2023-01-31T09:44:52Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
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)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)
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)
Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。