Fugu-MT 論文翻訳(概要): Multiple Instance Neuroimage Transformer

論文の概要: Multiple Instance Neuroimage Transformer

arxiv url: http://arxiv.org/abs/2208.09567v1
Date: Fri, 19 Aug 2022 23:42:06 GMT
ステータス: 処理完了
システム内更新日: 2022-08-23 12:34:39.686520
Title: Multiple Instance Neuroimage Transformer
Title（参考訳）: Multi Instance Neuroimage Transformer
Authors: Ayush Singla, Qingyu Zhao, Daniel K. Do, Yuyin Zhou, Kilian M. Pohl, and Ehsan Adeli
Abstract要約: 我々は、T1weighted (T1w) MRIの分類に、Multiple Instance Neuroimage Transformer (MINiT)と呼ばれるマルチインスタンス学習に基づく畳み込みフリートランスモデルを提案する。 MINiTは、入力MRIの重複しない3Dブロックをそれぞれ自身のインスタンスとして扱い、さらに重複しない3Dパッチに分割し、マルチヘッドの自己注意が計算される。概念実証として、2つの公開データセットのT1w-MRIから性別を識別する訓練を行うことにより、モデルの有効性を評価する。
参考スコア（独自算出の注目度）: 16.37661268474068
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For the first time, we propose using a multiple instance learning based convolution-free transformer model, called Multiple Instance Neuroimage Transformer (MINiT), for the classification of T1weighted (T1w) MRIs. We first present several variants of transformer models adopted for neuroimages. These models extract non-overlapping 3D blocks from the input volume and perform multi-headed self-attention on a sequence of their linear projections. MINiT, on the other hand, treats each of the non-overlapping 3D blocks of the input MRI as its own instance, splitting it further into non-overlapping 3D patches, on which multi-headed self-attention is computed. As a proof-of-concept, we evaluate the efficacy of our model by training it to identify sex from T1w-MRIs of two public datasets: Adolescent Brain Cognitive Development (ABCD) and the National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA). The learned attention maps highlight voxels contributing to identifying sex differences in brain morphometry. The code is available at https://github.com/singlaayush/MINIT.
Abstract（参考訳）: はじめに、T1weighted (T1w) MRIの分類のために、Multiple Instance Neuroimage Transformer (MINiT)と呼ばれる複数のインスタンス学習に基づく畳み込みフリートランスモデルを提案する。まず,神経画像に適用したトランスフォーマモデルについて紹介する。これらのモデルは入力体積から重複しない3Dブロックを抽出し、線形射影の列上で多頭部自己アテンションを行う。一方、MINiTは、入力MRIの重複しない3Dブロックをそれぞれ自身のインスタンスとして扱い、さらに重複しない3Dパッチに分割し、マルチヘッドの自己注意が計算される。概念実証として,青年期脳認知発達(abcd)と青年期におけるアルコールおよび神経発達に関する全国コンソーシアム(ncanda)の2つのデータセットのt1w-mriから性別を識別する訓練を行い,このモデルの有効性を評価した。学習されたアテンションマップは、脳形態計測における性差の同定に寄与するボクセルを強調する。コードはhttps://github.com/singlaayush/minitで入手できる。

関連論文リスト

Domain Aware Multi-Task Pretraining of 3D Swin Transformer for T1-weighted Brain MRI [4.453300553789746]
脳磁気共鳴画像(MRI)のための3次元スイム変換器の事前訓練のためのドメイン認識型マルチタスク学習タスクを提案する。脳の解剖学と形態学を取り入れた脳MRIの領域知識と、対照的な学習環境での3Dイメージングに適応した標準的な前提課題を考察した。本手法は,アルツハイマー病の分類,パーキンソン病の分類,年齢予測の3つの下流課題において,既存の指導的・自己監督的手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-01T05:21:02Z)
Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文参考訳（メタデータ） (2024-06-20T11:26:32Z)
Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文参考訳（メタデータ） (2024-04-30T18:39:41Z)
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)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation [6.127298607534532]
深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れた。変換器は畳み込みネットワークの限界に対処するために利用されてきた。本稿では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
論文参考訳（メタデータ） (2023-04-28T02:11:29Z)
Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文参考訳（メタデータ） (2022-09-19T09:43:19Z)
GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文参考訳（メタデータ） (2022-07-18T06:01:29Z)
Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文参考訳（メタデータ） (2021-12-23T14:51:45Z)
Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文参考訳（メタデータ） (2021-04-28T08:34:21Z)
3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文参考訳（メタデータ） (2021-04-04T20:30:14Z)

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。