論文の概要: Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2206.03247v1
- Date: Tue, 7 Jun 2022 13:02:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 16:06:10.313110
- Title: Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence
- Title(参考訳): 集団人工知能を用いたより良い解釈・一般化可能なAD検出に向けて
- Authors: Huy-Dung Nguyen, Micha\"el Cl\'ement, Boris Mansencal, Pierrick
Coup\'e
- Abstract要約: アルツハイマー病の診断と予後を自動化するための深層学習法が提案されている。
これらの手法は、しばしば解釈可能性と一般化の欠如に悩まされる。
我々はこれらの制限を克服するために設計された新しいディープ・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): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate diagnosis and prognosis of Alzheimer's disease are crucial for
developing new therapies and reducing the associated costs. Recently, with the
advances of convolutional neural networks, deep learning methods have been
proposed to automate these two tasks using structural MRI. However, these
methods often suffer from a lack of interpretability and generalization and
have limited prognosis performance. In this paper, we propose a novel deep
framework designed to overcome these limitations. Our pipeline consists of two
stages. In the first stage, 125 3D U-Nets are used to estimate voxelwise grade
scores over the whole brain. The resulting 3D maps are then fused to construct
an interpretable 3D grading map indicating the disease severity at the
structure level. As a consequence, clinicians can use this map to detect the
brain structures affected by the disease. In the second stage, the grading map
and subject's age are used to perform classification with a graph convolutional
neural network. Experimental results based on 2106 subjects demonstrated
competitive performance of our deep framework compared to state-of-the-art
methods on different datasets for both AD diagnosis and prognosis. Moreover, we
found that using a large number of U-Nets processing different overlapping
brain areas improved the generalization capacity of the proposed methods.
- Abstract(参考訳): アルツハイマー病の正確な診断と予後は、新しい治療法の開発と関連するコストの削減に不可欠である。
近年,畳み込みニューラルネットワークの進歩に伴い,この2つのタスクを構造MRIを用いて自動化する深層学習法が提案されている。
しかし、これらの方法はしばしば解釈可能性や一般化の欠如に苦しめられ、予後に乏しい。
本稿では,これらの制約を克服する新しい深層フレームワークを提案する。
私たちのパイプラインは2つの段階からなる。
最初の段階では、125個の3D U-Netを使って脳全体のボクセルワイドのスコアを推定する。
得られた3Dマップは融合し、構造レベルで病気の重症度を示す解釈可能な3D階調マップを構築する。
その結果、臨床医はこの地図を使って疾患の影響を受ける脳構造を検出することができる。
第2段階では、階調マップと被写体年齢を用いて、グラフ畳み込みニューラルネットワークを用いて分類を行う。
2106名を対象にした実験結果では,ad診断と予後の両方において,異なるデータセットにおける最先端手法と比較して,深層フレームワークの競合性が示された。
さらに,多量のu-netを用いて異なる重複脳領域を処理することにより,提案手法の一般化能力が向上した。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - Towards Practical Application of Deep Learning in Diagnosis of
Alzheimer's Disease [0.0]
有名な2D CNNの3Dバージョンは、アルツハイマー病の様々な段階の診断のために設計、訓練、およびテストされた。
ディープラーニングアプローチは、1500以上の全脳ボリュームに対して、ADの様々なステージを識別する上で、優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2022-12-08T19:21:51Z) - Deep Grading based on Collective Artificial Intelligence for AD
Diagnosis and Prognosis [0.0]
アルツハイマー病の診断と予後を自動化するための新しい枠組みを提案する。
フレームワークは2つの段階から構成される。第1段階では,意味のある特徴を抽出するための深い階調モデルを提案する。
第2段階では、ADシグネチャをよりよくキャプチャするために、グラフ畳み込みニューラルネットワークを使用します。
論文 参考訳(メタデータ) (2022-11-28T09:59:08Z) - Deep grading for MRI-based differential diagnosis of Alzheimer's disease
and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭性認知症は神経変性性認知症の一般的な形態である。
現在の構造イメージングは、主に疾患の検出に焦点をあてるが、その鑑別診断にはほとんど焦点を当てない。
本稿では,疾患検出と鑑別診断の両問題に対するディープラーニングに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-25T13:25:18Z) - 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) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳(メタデータ) (2021-09-14T09:17:27Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳(メタデータ) (2020-10-29T15:39:19Z) - 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。