論文の概要: Attention-Guided Autoencoder for Automated Progression Prediction of
Subjective Cognitive Decline with Structural MRI
- arxiv url: http://arxiv.org/abs/2206.12480v1
- Date: Fri, 24 Jun 2022 19:35:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 16:03:52.685615
- Title: Attention-Guided Autoencoder for Automated Progression Prediction of
Subjective Cognitive Decline with Structural MRI
- Title（参考訳）: 構造MRIによる主観的認知低下の自動進行予測のための注意誘導オートエンコーダ
- Authors: Hao Guan, Ling Yue, Pew-Thian Yap, Andrea Bozoki, Mingxia Liu
- Abstract要約: 本稿では,効率的なクロスドメイン適応のためのアテンション誘導型オートエンコーダモデルを提案する。
1)異なるドメインの共有部分空間表現を学習するための特徴符号化モジュール、2)脳のアトラスで定義された関心の識別脳領域を自動的に特定するための注意モジュール、3)元の入力を再構成するための復号モジュール、4)脳疾患の識別のための分類モジュールからなる。
提案したモデルは、CPU上でわずか5～10秒でトレーニングとテストが簡単で、小さなデータセットを持つ医療タスクに適している。
- 参考スコア（独自算出の注目度）: 25.149830893850005
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Subjective cognitive decline (SCD) is a preclinical stage of Alzheimer's
disease (AD) which occurs even before mild cognitive impairment (MCI).
Progressive SCD will convert to MCI with the potential of further evolving to
AD. Therefore, early identification of progressive SCD with neuroimaging
techniques (e.g., structural MRI) is of great clinical value for early
intervention of AD. However, existing MRI-based machine/deep learning methods
usually suffer the small-sample-size problem which poses a great challenge to
related neuroimaging analysis. The central question we aim to tackle in this
paper is how to leverage related domains (e.g., AD/NC) to assist the
progression prediction of SCD. Meanwhile, we are concerned about which brain
areas are more closely linked to the identification of progressive SCD. To this
end, we propose an attention-guided autoencoder model for efficient
cross-domain adaptation which facilitates the knowledge transfer from AD to
SCD. The proposed model is composed of four key components: 1) a feature
encoding module for learning shared subspace representations of different
domains, 2) an attention module for automatically locating discriminative brain
regions of interest defined in brain atlases, 3) a decoding module for
reconstructing the original input, 4) a classification module for
identification of brain diseases. Through joint training of these four modules,
domain invariant features can be learned. Meanwhile, the brain disease related
regions can be highlighted by the attention mechanism. Extensive experiments on
the publicly available ADNI dataset and a private CLAS dataset have
demonstrated the effectiveness of the proposed method. The proposed model is
straightforward to train and test with only 5-10 seconds on CPUs and is
suitable for medical tasks with small datasets.
- Abstract（参考訳）: 主観的認知低下 (SCD) は、軽度認知障害 (MCI) 以前のアルツハイマー病 (AD) の前臨床段階である。
進歩型SCDは、さらにADに進化する可能性があるため、MCIに転換する。
したがって、神経画像技術(例えば構造mri)による進行性scdの早期診断は、adの早期介入にとって大きな臨床的有用である。
しかし、既存のMRIベースのマシン/ディープ学習法は、通常、小さなサンプルサイズの問題に悩まされる。
本稿では,SCDの進行予測を支援するために,関連ドメイン(AD/NCなど)をどのように活用するか,という課題に対処する。
一方我々は、どの脳領域が進行性SCDの同定とより密接に関連しているかを懸念している。
そこで本研究では,adからscdへの知識伝達を容易にするクロスドメイン適応のための注意誘導オートエンコーダモデルを提案する。
提案するモデルは,4つのキーコンポーネントから構成される。
1)異なる領域の共有部分空間表現を学ぶための特徴符号化モジュール
2)脳のアトラスで定義された関心の識別脳領域を自動的に特定するための注意モジュール。
3) 原入力を再構成するための復号モジュール
4) 脳疾患の識別のための分類モジュール。
これら4つのモジュールの共同トレーニングを通じて、ドメイン不変性を学ぶことができる。
一方、脳疾患関連領域は注意機構によって強調することができる。
公開されているADNIデータセットとプライベートCLASデータセットに関する大規模な実験により,提案手法の有効性が示された。
提案したモデルは、CPU上でわずか5～10秒でトレーニングとテストが簡単で、小さなデータセットを持つ医療タスクに適している。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - MHATC: Autism Spectrum Disorder identification utilizing multi-head
attention encoder along with temporal consolidation modules [11.344829880346353]
静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。
ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
論文 参考訳（メタデータ） (2021-12-27T07:50:16Z) - 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) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳（メタデータ） (2021-01-08T06:51:08Z) - 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) - 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) - 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。
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。