Fugu-MT 論文翻訳(概要): Meta-data Study in Autism Spectrum Disorder Classification Based on Structural MRI

論文の概要: Meta-data Study in Autism Spectrum Disorder Classification Based on Structural MRI

arxiv url: http://arxiv.org/abs/2206.05052v1
Date: Thu, 9 Jun 2022 03:40:24 GMT
ステータス: 処理完了
システム内更新日: 2022-06-13 15:22:46.771419
Title: Meta-data Study in Autism Spectrum Disorder Classification Based on Structural MRI
Title（参考訳）: 構造MRIに基づく自閉症スペクトラム障害分類におけるメタデータ研究
Authors: Ruimin Ma, Yanlin Wang, Yanjie Wei, Yi Pan
Abstract要約: 20の異なる部位から収集した構造MRIに基づいて,3種類のメタデータがASDの分類精度に及ぼす影響について検討した。本研究では,ASDの分類精度に及ぼす3種類のメタデータの影響を,20の異なる部位から収集した構造MRIに基づいて系統的に検討した。
参考スコア（独自算出の注目度）: 5.611679991614855
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate diagnosis of autism spectrum disorder (ASD) based on neuroimaging data has significant implications, as extracting useful information from neuroimaging data for ASD detection is challenging. Even though machine learning techniques have been leveraged to improve the information extraction from neuroimaging data, the varying data quality caused by different meta-data conditions (i.e., data collection strategies) limits the effective information that can be extracted, thus leading to data-dependent predictive accuracies in ASD detection, which can be worse than random guess in some cases. In this work, we systematically investigate the impact of three kinds of meta-data on the predictive accuracy of classifying ASD based on structural MRI collected from 20 different sites, where meta-data conditions vary.
Abstract（参考訳）: 神経画像データに基づく自閉症スペクトラム障害(ASD)の正確な診断は、ASD検出のための神経画像データから有用な情報を抽出することは困難である。ニューロイメージングデータからの情報抽出を改善するために機械学習技術が活用されているにもかかわらず、異なるメタデータ条件(すなわちデータ収集戦略)によって引き起こされるデータ品質の変化は、抽出可能な効果的な情報を制限するため、asd検出におけるデータ依存予測の精度が低下する。本研究では,ASDの分類精度に及ぼす3種類のメタデータの影響を,20の異なる部位から収集した構造的MRIに基づいて系統的に検討した。

関連論文リスト

Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。 ASDの客観的バイオマーカーは診断精度の向上に役立つ。深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文参考訳（メタデータ） (2024-09-19T23:08:09Z)
Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文参考訳（メタデータ） (2024-01-18T16:59:27Z)
Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文参考訳（メタデータ） (2023-08-24T01:30:18Z)
Decoupled conditional contrastive learning with variable metadata for prostate lesion detection [4.321953936591766]
前立腺イメージング報告・データシステム(PI-RADS)は、病変悪性度スコアを定義して、前立腺MRIの標準化された解釈を行う。 PI-RADSデータは、ラジオロジーレポートから容易に入手できるが、レポート間のばらつきが高い。サンプル毎に複数のアノテータを持つ弱いメタデータを利用する新しいコントラスト損失関数を提案する。公開PI-CAIチャレンジデータセットでは,AUCが3%増加し病変検出が可能となった。
論文参考訳（メタデータ） (2023-08-18T13:19:26Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文参考訳（メタデータ） (2022-04-12T13:05:18Z)
Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。 GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文参考訳（メタデータ） (2022-02-21T04:37:25Z)
Attack-agnostic Adversarial Detection on Medical Data Using Explainable Machine Learning [0.0]
本論文では,2つのデータセット上での対比サンプルの正確な検出のためのモデル非依存説明性に基づく手法を提案する。 MIMIC-IIIとHenan-Renmin EHRのデータセットでは,縦軸攻撃に対する検出精度は77%であった。 MIMIC-CXRデータセットでは88%の精度を実現し、すべての設定において、両方のデータセットにおける敵検出技術の現状を10%以上改善した。
論文参考訳（メタデータ） (2021-05-05T10:01:53Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
Explainable and Scalable Machine-Learning Algorithms for Detection of Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文参考訳（メタデータ） (2020-03-02T18:20:44Z)

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。