論文の概要: Interpretable differential diagnosis for Alzheimer's disease and
Frontotemporal dementia
- arxiv url: http://arxiv.org/abs/2206.07417v1
- Date: Wed, 15 Jun 2022 09:44:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 15:20:46.290071
- Title: Interpretable differential diagnosis for Alzheimer's disease and
Frontotemporal dementia
- Title（参考訳）: アルツハイマー病と前頭側頭型認知症の相互診断
- Authors: Huy-Dung Nguyen, Micha\"el Cl\'ement, Boris Mansencal, Pierrick
Coup\'e
- Abstract要約: アルツハイマー病と前頭側頭性認知症は2つの主要な認知症である。
これら2種類の認知症の鑑別診断は、臨床症状の類似パターンにより、疾患の初期段階では困難である。
近年の医用画像の深層学習は,様々な分類課題において高い性能を示した。
- 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: Alzheimer's disease and Frontotemporal dementia are two major types of
dementia. Their accurate diagnosis and differentiation is crucial for
determining specific intervention and treatment. However, differential
diagnosis of these two types of dementia remains difficult at the early stage
of disease due to similar patterns of clinical symptoms. Therefore, the
automatic classification of multiple types of dementia has an important
clinical value. So far, this challenge has not been actively explored. Recent
development of deep learning in the field of medical image has demonstrated
high performance for various classification tasks. In this paper, we propose to
take advantage of two types of biomarkers: structure grading and structure
atrophy. To this end, we propose first to train a large ensemble of 3D U-Nets
to locally discriminate healthy versus dementia anatomical patterns. The result
of these models is an interpretable 3D grading map capable of indicating
abnormal brain regions. This map can also be exploited in various
classification tasks using graph convolutional neural network. Finally, we
propose to combine deep grading and atrophy-based classifications to improve
dementia type discrimination. The proposed framework showed competitive
performance compared to state-of-the-art methods for different tasks of disease
detection and differential diagnosis.
- Abstract（参考訳）: アルツハイマー病と前頭側頭性認知症は2種類の認知症である。
その正確な診断と分化は、特定の介入と治療を決定するのに不可欠である。
しかし, この2種類の認知症の鑑別診断は, 臨床症状のパターンが類似していることから, 早期に困難である。
したがって,複数の認知症の自動分類は臨床的に重要な意味を持つ。
これまでのところ、この挑戦は活発に行われていない。
近年の医用画像の深層学習は,様々な分類課題において高い性能を示した。
本稿では,2種類のバイオマーカー(構造グレーディングと構造萎縮)を活用することを提案する。
この目的のために,まず3次元U-Netの大規模なアンサンブルを訓練し,健常者と認知症の解剖学的パターンを局所的に識別することを提案する。
これらのモデルの結果は、異常な脳領域を示すことができる解釈可能な3Dグレーディングマップである。
このマップは、グラフ畳み込みニューラルネットワークを使用して、さまざまな分類タスクでも活用できる。
最後に,認知症型判別を改善するために,深層分類と萎縮型分類を組み合わせることを提案する。
提案手法は, 疾患検出および鑑別診断の異なるタスクに対する最先端手法と比較して, 競合性能を示した。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - 3D Transformer based on deformable patch location for differential
diagnosis between Alzheimer's disease and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭葉認知症は重度の臨床症状を呈する神経変性疾患の一般的なタイプである。
変形可能なパッチ位置モジュールを用いた新規な3次元トランスフォーマーアーキテクチャーを提案し,アルツハイマー病と前頭側頭葉認知症の鑑別診断を改善した。
論文 参考訳（メタデータ） (2023-09-06T17:42:18Z) - 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) - Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence [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。
論文 参考訳（メタデータ） (2022-06-07T13:02:53Z) - Multi-class versus One-class classifier in spontaneous speech analysis
oriented to Alzheimer Disease diagnosis [58.720142291102135]
本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。
外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
論文 参考訳（メタデータ） (2022-03-21T09:57:20Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳（メタデータ） (2022-01-27T16:37:19Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2021-09-12T22:40:50Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。