論文の概要: Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification

• arxiv url: http://arxiv.org/abs/2204.02399v1
• Date: Mon, 4 Apr 2022 10:31:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 14:17:22.902533
• Title: Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification
• Title（参考訳）: アルツハイマー病の分類に先行する双対型マルチモーダルハイパーグラフ拡散ネットワーク
• Authors: Angelica I. Aviles-Rivero, Christina Runkel, Nicolas Papadakis, Zoe Kourtzi, Carola-Bibiane Sch\"onlieb
• Abstract要約: アルツハイマー病診断のための新しい半教師付きハイパーグラフ学習フレームワークを提案する。 本フレームワークは,マルチモーダル画像と非画像データ間の高次関係を実現する。 我々は、我々の実験を通して、我々のフレームワークがアルツハイマー病診断の現在の技術より優れていることを実証した。
• 参考スコア（独自算出の注目度）: 4.179845212740817
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The automatic early diagnosis of prodromal stages of Alzheimer's disease is of great relevance for patient treatment to improve quality of life. We address this problem as a multi-modal classification task. Multi-modal data provides richer and complementary information. However, existing techniques only consider either lower order relations between the data and single/multi-modal imaging data. In this work, we introduce a novel semi-supervised hypergraph learning framework for Alzheimer's disease diagnosis. Our framework allows for higher-order relations among multi-modal imaging and non-imaging data whilst requiring a tiny labelled set. Firstly, we introduce a dual embedding strategy for constructing a robust hypergraph that preserves the data semantics. We achieve this by enforcing perturbation invariance at the image and graph levels using a contrastive based mechanism. Secondly, we present a dynamically adjusted hypergraph diffusion model, via a semi-explicit flow, to improve the predictive uncertainty. We demonstrate, through our experiments, that our framework is able to outperform current techniques for Alzheimer's disease diagnosis.
• Abstract（参考訳）: アルツハイマー病の進行段階の早期診断は、患者の生活の質を改善するための治療に大いに寄与している。 この問題をマルチモーダルな分類タスクとして扱う。 マルチモーダルデータはよりリッチで補完的な情報を提供する。 しかしながら、既存の技術では、データ間の低次関係とシングル/マルチモーダル画像データのみを考慮に入れている。 本稿では,アルツハイマー病診断のための半教師付きハイパーグラフ学習フレームワークを提案する。 本稿では,マルチモーダルイメージングと非画像データ間の高次関係を,小さなラベル付き集合を必要としながら実現する。 まず,データのセマンティクスを保存するロバストなハイパーグラフを構築するための二重埋め込み戦略を提案する。 我々は、コントラストベースのメカニズムを用いて、画像とグラフレベルでの摂動不変性を強制することで、これを実現する。 次に, 予測の不確実性を改善するために, 半指数流を介して動的に調整されたハイパーグラフ拡散モデルを提案する。 我々の実験を通じて,アルツハイマー病診断の現在の手法を上回ることができることを実証した。

関連論文リスト

• AD-Lite Net: A Lightweight and Concatenated CNN Model for Alzheimer's Detection from MRI Images [1.8749305679160366]
  アルツハイマー病(英語: Alzheimer's Disease、AD)は、ヒトの脳に影響を及ぼす非硬化性進行性神経変性疾患であり、記憶力、認知能力の低下、そして最終的には日常的な作業を行う能力の低下につながる。 早期のアルツハイマー病を高い精度で検出できるCADシステムが必要である。 我々は、上記の問題を緩和できる新しいAD-Lite Netモデル(スクラッチから訓練)を提案している。
  論文  参考訳（メタデータ） (2024-09-12T16:00:51Z)
• Bilevel Hypergraph Networks for Multi-Modal Alzheimer's Diagnosis [12.42019222822497]
  アルツハイマー病の前段階の早期発見は、患者の予後と生活の質を高めるのに不可欠である。 最小限のラベルを用いてマルチモーダルデータ間の高次関係を実現するための新しいハイパーグラフフレームワークを提案する。 以上の結果から,アルツハイマー病の診断における現在の治療法よりも,我々の枠組みが優れていることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T13:28:03Z)
• HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck [3.8988556182958005]
  情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。 本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。 我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-18T10:53:43Z)
• 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)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。