論文の概要: XADLiME: eXplainable Alzheimer's Disease Likelihood Map Estimation via
Clinically-guided Prototype Learning
- arxiv url: http://arxiv.org/abs/2207.13223v1
- Date: Wed, 27 Jul 2022 00:25:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-28 14:04:50.616896
- Title: XADLiME: eXplainable Alzheimer's Disease Likelihood Map Estimation via
Clinically-guided Prototype Learning
- Title(参考訳): xadlime:臨床誘導プロトタイプ学習によるアルツハイマー病度マップ推定
- Authors: Ahmad Wisnu Mulyadi, Wonsik Jung, Kwanseok Oh, Jee Seok Yoon, Heung-Il
Suk
- Abstract要約: 3次元sMRI上でのAD進行モデリングのためのXADLiMEを用いた新しい深層学習手法を提案する。
具体的には,ADスペクトル多様体を探索し,潜在臨床特徴のクラスタ上にトポロジカル・アウェア・プロトタイプのセットを構築した。
次に,潜在臨床特徴と確立されたプロトタイプとの類似性を測定し,擬似可能性マップを推定した。
- 参考スコア(独自算出の注目度): 3.286378299443229
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing Alzheimer's disease (AD) involves a deliberate diagnostic process
owing to its innate traits of irreversibility with subtle and gradual
progression. These characteristics make AD biomarker identification from
structural brain imaging (e.g., structural MRI) scans quite challenging.
Furthermore, there is a high possibility of getting entangled with normal
aging. We propose a novel deep-learning approach through eXplainable AD
Likelihood Map Estimation (XADLiME) for AD progression modeling over 3D sMRIs
using clinically-guided prototype learning. Specifically, we establish a set of
topologically-aware prototypes onto the clusters of latent clinical features,
uncovering an AD spectrum manifold. We then measure the similarities between
latent clinical features and well-established prototypes, estimating a "pseudo"
likelihood map. By considering this pseudo map as an enriched reference, we
employ an estimating network to estimate the AD likelihood map over a 3D sMRI
scan. Additionally, we promote the explainability of such a likelihood map by
revealing a comprehensible overview from two perspectives: clinical and
morphological. During the inference, this estimated likelihood map served as a
substitute over unseen sMRI scans for effectively conducting the downstream
task while providing thorough explainable states.
- Abstract(参考訳): アルツハイマー病 (ad) の診断には、微妙で段階的な進行を伴う不可逆性の生来的特徴による意図的な診断プロセスが伴う。
これらの特徴により、ADバイオマーカーは構造的脳画像(例えば、構造的MRI)からの同定は非常に困難である。
さらに、正常な老化と絡み合う可能性も高い。
本稿では,eXplainable AD Likelihood Map Estimation (XADLiME) による3次元sMRI上のAD進行予測のための新しい深層学習手法を提案する。
具体的には、ADスペクトル多様体を探索し、潜在臨床特徴のクラスタ上に位相認識型プロトタイプのセットを確立する。
次に潜在臨床像と確立されたプロトタイプの類似度を測定し, "pseudo" 度マップを推定した。
この擬似マップを豊富な参照として考慮し,3次元sMRIスキャン上でのAD確率マップの推定に推定ネットワークを用いる。
さらに, 臨床と形態学の2つの視点から理解可能な概観を明らかにすることで, このような可能性マップの説明可能性を促進する。
推定された推定推定マップは、下流タスクを効果的に実行し、詳細な説明可能な状態を提供しながら、未知のsMRIスキャンの代わりに機能する。
関連論文リスト
- Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Data and Knowledge Co-driving for Cancer Subtype Classification on
Multi-Scale Histopathological Slides [4.22412600279685]
病理学者のような組織学的スライド上で癌サブタイプ分類の過程を再現するデータ・知識共同運転(D&K)モデルを提案する。
具体的には、データ駆動モジュールにおいて、アンサンブル学習におけるバッグング機構を利用して、埋め込み表現ユニットによって抽出された様々なバッグの組織学的特徴を統合する。
論文 参考訳(メタデータ) (2023-04-18T21:57:37Z) - Don't PANIC: Prototypical Additive Neural Network for Interpretable
Classification of Alzheimer's Disease [2.4469484645516837]
本稿では,アルツハイマー病 (AD) の分類を解釈するための原型付加型ニューラルネットワークであるPANICを提案する。
PANICはAD分類における最先端のパフォーマンスを達成し,局所的およびグローバルな説明を直接提供することを示す。
論文 参考訳(メタデータ) (2023-03-13T13:56:20Z) - 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) - Leveraging Human Selective Attention for Medical Image Analysis with
Limited Training Data [72.1187887376849]
選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。
本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。
本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
論文 参考訳(メタデータ) (2021-12-02T07:55:25Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳(メタデータ) (2021-11-26T13:47:34Z) - Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to
Reinforce an Alzheimer's Disease Diagnosis Model [1.6287500717172143]
本稿では、診断モデル学習、視覚的説明生成、訓練された診断モデル強化を統一する新しいフレームワークを提案する。
視覚的説明のために,対象ラベルとして識別される入力サンプルを変換する反ファクトマップを生成する。
論文 参考訳(メタデータ) (2021-08-21T07:29:13Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2021-08-10T10:06:54Z) - Act Like a Radiologist: Towards Reliable Multi-view Correspondence
Reasoning for Mammogram Mass Detection [49.14070210387509]
マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。
AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。
2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
論文 参考訳(メタデータ) (2021-05-21T06:48:34Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z)
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。