論文の概要: Generative Aging of Brain Images with Diffeomorphic Registration
- arxiv url: http://arxiv.org/abs/2205.15607v1
- Date: Tue, 31 May 2022 08:37:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 00:21:55.889527
- Title: Generative Aging of Brain Images with Diffeomorphic Registration
- Title(参考訳): diffeomorphic registrationを用いた脳画像の生成的老化
- Authors: Jingru Fu, Antonios Tzortzakakis, Jos\'e Barroso, Eric Westman, Daniel
Ferreira, Rodrigo Moreno
- Abstract要約: 脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。
本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
- 参考スコア(独自算出の注目度): 3.645542167239258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Analyzing and predicting brain aging is essential for early prognosis and
accurate diagnosis of cognitive diseases. The technique of neuroimaging, such
as Magnetic Resonance Imaging (MRI), provides a noninvasive means of observing
the aging process within the brain. With longitudinal image data collection,
data-intensive Artificial Intelligence (AI) algorithms have been used to
examine brain aging. However, existing state-of-the-art algorithms tend to be
restricted to group-level predictions and suffer from unreal predictions. This
paper proposes a methodology for generating longitudinal MRI scans that capture
subject-specific neurodegeneration and retain anatomical plausibility in aging.
The proposed methodology is developed within the framework of diffeomorphic
registration and relies on three key novel technological advances to generate
subject-level anatomically plausible predictions: i) a computationally
efficient and individualized generative framework based on registration; ii) an
aging generative module based on biological linear aging progression; iii) a
quality control module to fit registration for generation task. Our methodology
was evaluated on 2662 T1-weighted (T1-w) MRI scans from 796 participants from
three different cohorts. First, we applied 6 commonly used criteria to
demonstrate the aging simulation ability of the proposed methodology; Secondly,
we evaluated the quality of the synthetic images using quantitative
measurements and qualitative assessment by a neuroradiologist. Overall, the
experimental results show that the proposed method can produce anatomically
plausible predictions that can be used to enhance longitudinal datasets, in
turn enabling data-hungry AI-driven healthcare tools.
- Abstract(参考訳): 脳の老化の分析と予測は、早期の予後と認知疾患の正確な診断に不可欠である。
磁気共鳴イメージング(MRI)のような神経イメージング技術は、脳内の老化過程を観察する非侵襲的な手段を提供する。
縦方向の画像データ収集では、データ集約人工知能(AI)アルゴリズムが脳の老化を調べるために使われている。
しかし、既存の最先端アルゴリズムはグループレベルの予測に制限され、非現実的な予測に苦しむ傾向がある。
本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
提案手法はディフォモーフィック登録の枠組みの中で開発され、主題レベルの解剖学的に妥当な予測を生成するための3つの重要な技術進歩に依存している。
一 登録に基づく計算上効率的かつ個別化された生成枠組み
二 生物学的に線形な老化の進行に基づく老化発生モジュール
三 生成タスクの登録に適合する品質管理モジュール
2662 T1-weighted (T1-w) MRIで3種類のコホート群796名を対象に検討を行った。
第1に,提案手法の老化シミュレーション能力を示すために6つの基準を適用し,第2に,定量的測定と定性評価を用いて合成画像の品質評価を行った。
実験結果から, 提案手法は, 縦断データセットの強化に使用できる解剖学的に妥当な予測を生成できることがわかった。
関連論文リスト
- Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳(メタデータ) (2023-09-26T03:59:21Z) - 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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Robust Brain Age Estimation via Regression Models and MRI-derived
Features [2.028990630951476]
本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。
提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
論文 参考訳(メタデータ) (2023-06-08T19:07:22Z) - 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) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳(メタデータ) (2021-12-23T14:51:45Z) - Image Augmentation Using a Task Guided Generative Adversarial Network
for Age Estimation on Brain MRI [6.051767128521292]
本稿では,データ不足を克服するGANに基づく画像合成手法を提案する。
従来のGAN損失にタスク誘導損失を加えることで、学習された低次元潜在空間と合成画像はよりタスク固有となる。
提案手法は,深い畳み込みニューラルネットワークに基づく回帰モデルと,タスク誘導分岐を伴わないGANに基づく画像合成法より優れている(統計的に有意)。
論文 参考訳(メタデータ) (2021-08-03T17:56:50Z) - Uncertainty-Based Biological Age Estimation of Brain MRI Scans [10.670209276046915]
3次元磁気共鳴画像(MRI)を用いた臓器特異的BA推定のための新しい枠組みを提案する。
アルツハイマー病患者における予期したBAと予期される認知低下との相関性を示す。
論文 参考訳(メタデータ) (2021-03-15T16:08:23Z) - 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) - 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) - An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint
Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。
実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
論文 参考訳(メタデータ) (2020-08-10T11:08:55Z)
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。