論文の概要: Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning
- arxiv url: http://arxiv.org/abs/2206.12980v1
- Date: Sun, 26 Jun 2022 21:44:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 17:21:57.954564
- Title: Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning
- Title（参考訳）: 深層学習を用いた3次元構造脳mriによる統合失調症検出
- Authors: Junhao Zhang, Vishwanatha M. Rao, Ye Tian, Yanting Yang, Nicolas
Acosta, Zihan Wan, Pin-Yu Lee, Chloe Zhang, Lawrence S. Kegeles, Scott A.
Small and Jia Guo
- Abstract要約: 統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。
皮質下領域と心室は最も予測可能な脳の領域である。
- 参考スコア（独自算出の注目度）: 12.128463028063146
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Schizophrenia is a chronic neuropsychiatric disorder that causes distinct
structural alterations within the brain. We hypothesize that deep learning
applied to a structural neuroimaging dataset could detect disease-related
alteration and improve classification and diagnostic accuracy. We tested this
hypothesis using a single, widely available, and conventional T1-weighted MRI
scan, from which we extracted the 3D whole-brain structure using standard
post-processing methods. A deep learning model was then developed, optimized,
and evaluated on three open datasets with T1-weighted MRI scans of patients
with schizophrenia. Our proposed model outperformed the benchmark model, which
was also trained with structural MR images using a 3D CNN architecture. Our
model is capable of almost perfectly (area under the ROC curve = 0.987)
distinguishing schizophrenia patients from healthy controls on unseen
structural MRI scans. Regional analysis localized subcortical regions and
ventricles as the most predictive brain regions. Subcortical structures serve a
pivotal role in cognitive, affective, and social functions in humans, and
structural abnormalities of these regions have been associated with
schizophrenia. Our finding corroborates that schizophrenia is associated with
widespread alterations in subcortical brain structure and the subcortical
structural information provides prominent features in diagnostic
classification. Together, these results further demonstrate the potential of
deep learning to improve schizophrenia diagnosis and identify its structural
neuroimaging signatures from a single, standard T1-weighted brain MRI.
- Abstract（参考訳）: 統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
構造的ニューロイメージングデータセットに適用したディープラーニングは、疾患に関連する変化を検出し、分類と診断精度を向上させることができると仮定する。
従来のT1強調MRIスキャンを用いてこの仮説を検証し,標準後処理法を用いて3次元脳構造を抽出した。
その後,統合失調症患者のt1強調mriスキャンを用いた3つのオープンデータセット上で,ディープラーニングモデルを開発し,最適化し,評価した。
提案手法は,3次元CNNアーキテクチャを用いてMR画像の構造を訓練したベンチマークモデルより優れていた。
当モデルでは, 統合失調症患者と健常者との鑑別をほぼ完全に行うことができる(ROC曲線=0.987)。
最も予測可能な脳領域は、局所的な皮質下領域と心室である。
皮質下構造は人間の認知、感情、社会的機能において重要な役割を担っており、これらの領域の構造的異常は統合失調症と関連している。
我々の発見は、統合失調症は皮質下脳構造に広範な変化をもたらしており、皮質下構造情報は診断分類において顕著な特徴を持っていることを裏付けている。
これらの結果は、深層学習が統合失調症の診断を改善し、単一の標準T1強調脳MRIからその構造的神経画像の署名を識別する可能性をさらに示している。
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) - Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
論文 参考訳（メタデータ） (2024-06-18T14:55:41Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - 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) - 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) - Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On
Aggregated Task-based fMRI Data [0.0]
統合失調症の発展の基盤となるメカニズムと、その再発、症状学、治療は謎のままである。
統合失調症の多様性と複雑な性質に対処するための適切な分析ツールがないことは、この疾患の発生に寄与する要因の1つである可能性がある。
深層学習は統合失調症の根底にあるメカニズムを理解する強力なツールになる可能性がある。
論文 参考訳（メタデータ） (2022-10-11T08:12:36Z) - 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) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳（メタデータ） (2021-04-10T03:16:33Z) - 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) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。