論文の概要: A Deep Generative Model of Neonatal Cortical Surface Development

• arxiv url: http://arxiv.org/abs/2206.07542v1
• Date: Wed, 15 Jun 2022 13:59:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-06-16 23:11:29.314273
• Title: A Deep Generative Model of Neonatal Cortical Surface Development
• Title（参考訳）: 新生児大脳皮質表面発達の深部発生モデル
• Authors: Abdulah Fawaz, Logan Z. Williams, Emma Robinson, A. David Edwards
• Abstract要約: 球状化した新生児大脳皮質表面の特徴を成熟の異なる段階間で翻訳するための表面ベースCycleGANを実装した。 以上の結果から, 妊娠後期における皮質組織の個々のパターンの変化を確実に予測できることが示された。 皮質成熟のシミュレートされた相違は、文献の観察と一致している。
• 参考スコア（独自算出の注目度）: 0.688204255655161
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The neonatal cortical surface is known to be affected by preterm birth, and the subsequent changes to cortical organisation have been associated with poorer neurodevelopmental outcomes. Deep Generative models have the potential to lead to clinically interpretable models of disease, but developing these on the cortical surface is challenging since established techniques for learning convolutional filters are inappropriate on non-flat topologies. To close this gap, we implement a surface-based CycleGAN using mixture model CNNs (MoNet) to translate sphericalised neonatal cortical surface features (curvature and T1w/T2w cortical myelin) between different stages of cortical maturity. Results show our method is able to reliably predict changes in individual patterns of cortical organisation at later stages of gestation, validated by comparison to longitudinal data; and translate appearance between preterm and term gestation (> 37 weeks gestation), validated through comparison with a trained term/preterm classifier. Simulated differences in cortical maturation are consistent with observations in the literature.
• Abstract（参考訳）: 新生児大脳皮質表面は、出生前の影響で知られており、その後の皮質組織の変化は、より貧弱な神経発達の結果と関連している。 深部生成モデルは臨床的に解釈可能な疾患モデルにつながる可能性があるが、非平坦なトポロジーにおいて畳み込みフィルタを学習する確立した技術が不適切であるため、皮質表面でこれらを開発することは困難である。 このギャップを埋めるために, 混合モデルcnn(monet)を用いた表面ベースサイクガンを実装し, 成熟段階の異なる段階において, 球状化した新生児皮質表面特徴(曲率およびt1w/t2w皮質ミエリン)を翻訳する。 その結果, 妊娠後期の皮質組織の個々のパターンの変化を, 縦断データとの比較により確実に予測でき, 妊娠前と妊娠後(37週以上)の出現を, 訓練された妊娠前/妊娠前分類器との比較で検証できることがわかった。 皮質成熟のシミュレーション的差異は、文献の観察と一致している。

関連論文リスト

• SurfAge-Net: A Hierarchical Surface-Based Network for Interpretable Fine-Grained Brain Age Prediction [9.571325956619743]
  そこで本稿では,領域固有の発達パターンを抽出するサーフェスベースの新しい脳年齢予測ネットワーク(SurfAge-Net)を提案する。 SurfAge-Netは、皮質組織の結合原理を取り入れた新しいモデリングパラダイムを確立する。 空間的に正確で生物学的に解釈可能な皮質成熟地図を提供し、不均一な遅延と地域特有の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2026-01-28T07:01:57Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Controllable Surface Diffusion Generative Model for Neurodevelopmental Trajectories [1.3346172433663661]
  本稿では,皮質成熟の制御可能なシミュレーションを支援する新しいグラフ拡散ネットワークを提案する。 本研究では, 個別に訓練した年齢回帰ネットワークを騙すのに十分な精度で大脳皮質成熟度をモデル化しながら, 対象特異的な皮質形態を維持できることを実証する。
  論文  参考訳（メタデータ） (2025-07-21T09:16:24Z)
• Age Sensitive Hippocampal Functional Connectivity: New Insights from 3D CNNs and Saliency Mapping [55.27843586881593]
  我々は,海馬機能的接続解析から脳年齢を予測するための解釈可能なディープラーニングフレームワークを開発した。 海馬と皮質の主な関係は、特に前頭骨、くちばし、後角皮質、海馬皮質、左上頭頂葉、右上側頭葉で表される。 発見は、海馬老化の機能的メカニズムに関する新たな洞察を与え、神経画像データの生物学的に意味のあるパターンを明らかにするための説明可能な深層学習の力を示す。
  論文  参考訳（メタデータ） (2025-07-02T07:05:18Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Cortical Surface Diffusion Generative Models [4.050721206558478]
  皮質表面分析は、神経学的および発達障害に影響を及ぼす可能性から、注目を集めている。 従来の視覚拡散モデルは、自然な画像を生成するのに効果的であるが、限られたデータセットによる神経画像の複雑な発達パターンを捉えるのに限界がある。 本研究では, 改良型表面視覚変換器を主アーキテクチャとして, 皮質表面計測値の生成のための新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-07T11:12:09Z)
• Cross-Age and Cross-Site Domain Shift Impacts on Deep Learning-Based White Matter Fiber Estimation in Newborn and Baby Brains [7.037994233245839]
  乳児の微形態的発達の変動は、新生児と比較して、深層学習モデルのクロスエイジング性能に直接影響を及ぼすことを示した。 少数の対象ドメインサンプルは、ドメインシフト問題を著しく軽減することができる。
  論文  参考訳（メタデータ） (2023-12-22T15:39:37Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
  カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。 新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。 本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2021-10-25T11:37:41Z)
• On Long-Tailed Phenomena in Neural Machine Translation [50.65273145888896]
  最先端のニューラルネットワーク翻訳(NMT)モデルは、低周波トークンの生成に苦労する。 条件付きテキスト生成における構造的依存関係にモデルトレーニングを適応させるために,新たな損失関数である反焦点損失を提案する。 提案手法は,複数の機械翻訳(MT)データセットに対して有効であり,クロスエントロピーよりも顕著に向上することを示す。
  論文  参考訳（メタデータ） (2020-10-10T07:00:57Z)
• Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
  T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。 結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
  論文  参考訳（メタデータ） (2020-10-04T19:46:04Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。