論文の概要: Identification of Autism spectrum disorder based on a novel feature
selection method and Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2204.03654v1
- Date: Thu, 7 Apr 2022 08:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-11 12:44:16.951397
- Title: Identification of Autism spectrum disorder based on a novel feature
selection method and Variational Autoencoder
- Title（参考訳）: 新しい特徴選択法と変分オートエンコーダを用いた自閉症スペクトラム障害の同定
- Authors: Fangyu Zhang, Yanjie Wei, Jin Liu, Yanlin Wang, Wenhui Xi, Yi Pan
- Abstract要約: 安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的脳イメージングは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策である
本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 7.0876609220947655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The development of noninvasive brain imaging such as resting-state functional
magnetic resonance imaging (rs-fMRI) and its combination with AI algorithm
provides a promising solution for the early diagnosis of Autism spectrum
disorder (ASD). However, the performance of the current ASD classification
based on rs-fMRI still needs to be improved. This paper introduces a
classification framework to aid ASD diagnosis based on rs-fMRI. In the
framework, we proposed a novel filter feature selection method based on the
difference between step distribution curves (DSDC) to select remarkable
functional connectivities (FCs) and utilized a multilayer perceptron (MLP)
which was pretrained by a simplified Variational Autoencoder (VAE) for
classification. We also designed a pipeline consisting of a normalization
procedure and a modified hyperbolic tangent (tanh) activation function to
replace the original tanh function, further improving the model accuracy. Our
model was evaluated by 10 times 10-fold cross-validation and achieved an
average accuracy of 78.12%, outperforming the state-of-the-art methods reported
on the same dataset. Given the importance of sensitivity and specificity in
disease diagnosis, two constraints were designed in our model which can improve
the model's sensitivity and specificity by up to 9.32% and 10.21%,
respectively. The added constraints allow our model to handle different
application scenarios and can be used broadly.
- Abstract（参考訳）: 安静時機能的磁気共鳴画像(rs-fMRI)のような非侵襲的な脳イメージングの開発とそのAIアルゴリズムの組み合わせは、自閉症スペクトラム障害(ASD)の早期診断に有望な解決策を提供する。
しかし、rs-fMRIに基づく現在のASD分類の性能は改善される必要がある。
本稿では rs-fMRI に基づく ASD 診断を支援するための分類フレームワークを提案する。
提案手法では, ステップ分布曲線 (dsdc) の差に着目して顕著な機能的結合性 (fcs) を選択する新しいフィルタ特徴選択法を提案し, 簡易変分オートエンコーダ (vae) により事前学習された多層パーセプトロン (mlp) を用いて分類を行った。
また、正規化手順と修正双曲タンジェント(tanh)アクティベーション関数からなるパイプラインを設計し、元のタン関数を置き換えることにより、モデル精度をさらに向上した。
我々のモデルは10倍のクロスバリデーションで評価され、平均精度は78.12%に達し、同じデータセットで報告された最先端の手法を上回った。
疾患診断における感度と特異性の重要性を考慮し,モデルの感度と特異度を最大9.32%,10.21%向上させる2つの制約を設計した。
追加の制約により、モデルは異なるアプリケーションシナリオを処理でき、広く使用できます。
関連論文リスト
- Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。
本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-31T13:55:33Z) - Diagnosis Of Takotsubo Syndrome By Robust Feature Selection From The
Complex Latent Space Of DL-based Segmentation Network [4.583480375083946]
医学における分類モデルやセグメンテーションモデルを用いて、潜伏した特徴を学習し、堅牢な特徴選択をオプトアウトし、過度な適合につながる可能性がある。
本稿では,診断を支援するセグメンテーションモデルの潜在空間を用いた特徴選択手法を提案する。
診断精度82%が従来のSOTA (State-of-the-art) を上回り, 心疾患の鑑別診断に有用であった。
論文 参考訳（メタデータ） (2023-12-19T22:53:32Z) - EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD
Diagnosis via Inter-regional Relation Learning [11.344446341236267]
本稿では,脳領域間の非線形高次機能的関連を識別する新しい利害選択領域(EAG-RS)を提案する。
このフレームワークは, (i) ランダムなシードベースネットワークマスキングによる非線形関係を推定するための地域間関係学習, (ii) 機能的接続間の高次関係を探索するための接続関連度スコア推定, (iii) 非線形高次FCベースの診断非形式ROI選択とASDの識別のための学習の3段階を含む。
論文 参考訳（メタデータ） (2023-10-05T09:14:54Z) - Exploring linguistic feature and model combination for speech
recognition based automatic AD detection [61.91708957996086]
音声ベースの自動ADスクリーニングシステムは、他の臨床スクリーニング技術に代わる非侵襲的でスケーラブルな代替手段を提供する。
専門的なデータの収集は、そのようなシステムを開発する際に、モデル選択と特徴学習の両方に不確実性をもたらす。
本稿では,BERT と Roberta の事前学習したテキストエンコーダのドメイン微調整の堅牢性向上のための特徴とモデルの組み合わせ手法について検討する。
論文 参考訳（メタデータ） (2022-06-28T05:09:01Z) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-08T03:06:16Z) - Diagnosis of Schizophrenia: A comprehensive evaluation [1.174402845822043]
サポートベクターマシン(SVM)、ランダムフォレスト、カーネルリッジ回帰、ランダム化されたニューラルネットワークに基づいて、異なる分類アルゴリズムを評価した。
評価の結果,他の分類モデルと比較して,ガウスカーネルを用いたSVMベースのモデルの方が優れていることがわかった。
データモダリティの面では,灰白質と白質を個別に比較すると,灰白質と白質との結合性能は良好であった。
論文 参考訳（メタデータ） (2022-03-22T10:55:51Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 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) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。