論文の概要: Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection

• arxiv url: http://arxiv.org/abs/2204.01737v1
• Date: Mon, 4 Apr 2022 17:37:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 01:14:14.510830
• Title: Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection
• Title（参考訳）: 医用画像における特徴的ロバスト性と性差 : MRIによるアルツハイマー病の検出を事例として
• Authors: Eike Petersen and Aasa Feragen and Luise da Costa Zemsch and Anders Henriksen and Oskar Eiler Wiese Christensen and Melanie Ganz
• Abstract要約: 我々はADNI MRIデータセットの2つの分類方式を比較した。 訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
• 参考スコア（独自算出の注目度）: 1.7616042687330637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks have enabled significant improvements in medical image-based disease classification. It has, however, become increasingly clear that these models are susceptible to performance degradation due to spurious correlations and dataset shifts, which may lead to underperformance on underrepresented patient groups, among other problems. In this paper, we compare two classification schemes on the ADNI MRI dataset: a very simple logistic regression model that uses manually selected volumetric features as inputs, and a convolutional neural network trained on 3D MRI data. We assess the robustness of the trained models in the face of varying dataset splits, training set sex composition, and stage of disease. In contrast to earlier work on diagnosing lung diseases based on chest x-ray data, we do not find a strong dependence of model performance for male and female test subjects on the sex composition of the training dataset. Moreover, in our analysis, the low-dimensional model with manually selected features outperforms the 3D CNN, thus emphasizing the need for automatic robust feature extraction methods and the value of manual feature specification (based on prior knowledge) for robustness.
• Abstract（参考訳）: 畳み込みニューラルネットワークは、医療画像に基づく疾患分類を大幅に改善した。 しかし、これらのモデルが、スプリアス相関やデータセットシフトによるパフォーマンス低下の影響を受けやすいことがますます明確になってきており、このことが、低表示患者集団の低パフォーマンスにつながる可能性がある。 本稿では,手動で選択したボリューム特徴を入力として利用する非常に単純なロジスティック回帰モデルと,3次元MRIデータに基づいて訓練された畳み込みニューラルネットワークの2つの分類手法を比較する。 様々なデータセット分割, 性別構成の訓練, 疾患の発症段階において, トレーニングモデルのロバスト性を評価する。 胸部X線データに基づいて肺疾患を診断する以前の研究とは対照的に,男女試験対象者のモデル性能がトレーニングデータセットの性構成に大きく依存していることは見つからない。 さらに,手作業で選択した特徴量を持つ低次元モデルは3次元cnnを上回っており,頑健性のために自動ロバスト特徴抽出手法と手作業特徴仕様(事前知識に基づく)の必要性を強調する。

関連論文リスト

• Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
  アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。 本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
  論文  参考訳（メタデータ） (2024-06-20T11:26:32Z)
• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Efficiently Training Vision Transformers on Structural MRI Scans for Alzheimer's Disease Detection [2.359557447960552]
  ビジョントランスフォーマー(ViT)は近年、コンピュータビジョンアプリケーションのためのCNNの代替として登場した。 難易度に基づいて,脳神経画像の下流タスクに対するViTアーキテクチャの変種を検証した。 合成および実MRIスキャンで事前訓練した微調整型視覚変換器モデルを用いて、5%と9-10%の性能向上を実現した。
  論文  参考訳（メタデータ） (2023-03-14T20:18:12Z)
• Self-Supervised Mental Disorder Classifiers via Time Reversal [0.0]
  機能的ニューロイメージングデータの時間方向で訓練されたモデルが、下流のタスクに役立つことを実証した。 我々は、独立成分分析(ICA)技術を用いて、fMRIデータから派生した独立成分のディープニューラルネットワークを訓練する。 学習時間方向はfMRIデータにおける因果関係の学習に役立ち、より高速な収束に役立つことを示す。
  論文  参考訳（メタデータ） (2022-11-29T17:24:43Z)
• DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
  本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。 本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
  論文  参考訳（メタデータ） (2022-03-17T05:42:00Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。