Fugu-MT 論文翻訳(概要): Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns

論文の概要: Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns

arxiv url: http://arxiv.org/abs/2205.04523v1
Date: Mon, 9 May 2022 19:09:28 GMT
ステータス: 処理完了
システム内更新日: 2022-05-15 02:16:14.932741
Title: Surreal-GAN:Semi-Supervised Representation Learning via GAN for uncovering heterogeneous disease-related imaging patterns
Title（参考訳）: ultrareal-gan:semi-supervised representation learning via ganによる異種疾患関連イメージングパターンの解明
Authors: Zhijian Yang, Junhao Wen, Christos Davatzikos
Abstract要約: 本稿では,Surreal-GAN(Semi-SUpeRvised ReprEsentAtion Learning via GAN)を提案する。我々は、広範囲な半合成実験を通じてモデルを検証し、さらに、アルツハイマー病における生物学的にもっともらしい画像パターンを捉える可能性を示した。
参考スコア（独自算出の注目度）: 4.965264481651854
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A plethora of machine learning methods have been applied to imaging data, enabling the construction of clinically relevant imaging signatures of neurological and neuropsychiatric diseases. Oftentimes, such methods don't explicitly model the heterogeneity of disease effects, or approach it via nonlinear models that are not interpretable. Moreover, unsupervised methods may parse heterogeneity that is driven by nuisance confounding factors that affect brain structure or function, rather than heterogeneity relevant to a pathology of interest. On the other hand, semi-supervised clustering methods seek to derive a dichotomous subtype membership, ignoring the truth that disease heterogeneity spatially and temporally extends along a continuum. To address the aforementioned limitations, herein, we propose a novel method, termed Surreal-GAN (Semi-SUpeRvised ReprEsentAtion Learning via GAN). Using cross-sectional imaging data, Surreal-GAN dissects underlying disease-related heterogeneity under the principle of semi-supervised clustering (cluster mappings from normal control to patient), proposes a continuously dimensional representation, and infers the disease severity of patients at individual level along each dimension. The model first learns a transformation function from normal control (CN) domain to the patient (PT) domain with latent variables controlling transformation directions. An inverse mapping function together with regularization on function continuity, pattern orthogonality and monotonicity was also imposed to make sure that the transformation function captures necessarily meaningful imaging patterns with clinical significance. We first validated the model through extensive semi-synthetic experiments, and then demonstrate its potential in capturing biologically plausible imaging patterns in Alzheimer's disease (AD).
Abstract（参考訳）: 多くの機械学習手法が画像データに応用され、臨床に関係のある神経学的および神経精神医学的な疾患の画像署名の構築を可能にした。多くの場合、そのような手法は疾患効果の不均一性を明示的にモデル化したり、解釈不可能な非線形モデルを通してアプローチしたりしない。さらに、教師なしの手法は、関心の病理に関連する異質性ではなく、脳の構造や機能に影響を与えるニュアサンス結合因子によって引き起こされる異質性を解析することができる。一方,半教師付きクラスタリング法は,疾患が空間的にも時間的にも連続体に沿って延在するという事実を無視して,dichotomousサブタイプメンバシップを導出しようとする。本稿では,Surreal-GAN(Semi-SUpeRvised ReprEsentAtion Learning via GAN)と呼ばれる新しい手法を提案する。半教師付きクラスタリング(正常な制御から患者へのクラスターマッピング)の原則に基づいて,超現実的画像データを用いて疾患関連不均質性を解剖し,連続的な次元表現を提案し,各次元に沿って各疾患の重症度を推定する。モデルはまず、正規制御(CN)ドメインから患者(PT)ドメインへの変換関数を学習し、潜在変数が変換方向を制御する。また, 機能連続性, パターン直交性, 単調性の正則化とともに, 変換関数が臨床的意義のある有意義な画像パターンを確実に捉えるために, 逆写像関数を課した。まず, 広範囲な半合成実験により本モデルの有効性を検証し, アルツハイマー病 (AD) における生物学的にもっともらしい画像パターンを捉えた。

関連論文リスト

Modality Cycles with Masked Conditional Diffusion for Unsupervised Anomaly Segmentation in MRI [2.5847188023177403]
教師なしの異常セグメンテーションは、トレーニング中に処理されたパターンとは異なるパターンを検出することを目的としている。本稿では,マルチモーダルMRIにおける様々なパターンにまたがる異常のセグメンテーションを可能にするMMCCD(Masked Modality Cycles with Conditional Diffusion)を提案する。本稿では,画像再構成とデノナイズに基づく教師なし手法と,オートエンコーダや拡散モデルとの比較を行った。
論文参考訳（メタデータ） (2023-08-30T17:16:02Z)
Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
論文参考訳（メタデータ） (2023-07-02T12:52:41Z)
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)
Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文参考訳（メタデータ） (2022-04-21T08:23:44Z)
Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文参考訳（メタデータ） (2021-03-29T11:30:18Z)
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)
Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models [16.218680291606628]
解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
論文参考訳（メタデータ） (2021-02-16T15:57:37Z)
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)
Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文参考訳（メタデータ） (2020-12-08T02:26:03Z)
Smile-GANs: Semi-supervised clustering via GANs for dissecting brain disease heterogeneity from medical images [4.965264481651854]
半教師付きクラスタリングのためのSmile-GAN (SeMi-supervIsed cLustEring via GANs) を提案する。 Smile-GANはまずCNからPTを生成することで複数の異なるマッピングを学習し、それぞれのマッピングは比較的異なる1つの病理パターンを特徴付ける。 Smile-GANは、PT/CNデータ分布の緩和された仮定と非直線性を示すマッピングを用いて、CNとPTドメイン間の分布の不均一な差異を捉えている。
論文参考訳（メタデータ） (2020-06-27T02:06:21Z)
What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation [51.7837386041158]
内視鏡的病変分割のための2つの相補的モジュールを含む新しい教師なしセマンティックトランスファーモデルを開発した。特に、T_Dは、残留転写可能性を認識するボトルネックを介して、医療病変の伝達可能な視覚情報を翻訳する場所に焦点を当てている。 T_Fは、さまざまな病変のトランスファー可能なセマンティック機能を拡張し、自動的に非トランスファー可能な表現を無視する方法を強調している。
論文参考訳（メタデータ） (2020-04-24T00:57:05Z)

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。