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: 処理完了
- 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
- 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。