論文の概要: Prediction of Gender from Longitudinal MRI data via Deep Learning on
Adolescent Data Reveals Unique Patterns Associated with Brain Structure and
Change over a Two-year Period
- arxiv url: http://arxiv.org/abs/2209.07590v1
- Date: Thu, 15 Sep 2022 19:57:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 12:25:32.875706
- Title: Prediction of Gender from Longitudinal MRI data via Deep Learning on
Adolescent Data Reveals Unique Patterns Associated with Brain Structure and
Change over a Two-year Period
- Title（参考訳）: 思春期データの深層学習による縦型mriデータからの性別推定は2年間の脳構造と変化に特有のパターンを示す
- Authors: Yuda Bi, Anees Abrol, Zening Fu, Jiayu Chen, Jingyu Liu, Vince Calhoun
- Abstract要約: 我々は,脳構造における性別関連変化を推定し,性別関連変化を同定するための構造MRIデータについて検討した。
その結果, 性別予測精度は, トレーニングエポックが200歳未満で, 非常に高い (>97%) ことが示唆された。
青年期の脳がどのように変化するかは、これらの変化が行動や環境の異なる要因とどのように関連しているかを調べることで研究することができるかもしれない。
- 参考スコア（独自算出の注目度）: 1.733758804432323
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep learning algorithms for predicting neuroimaging data have shown
considerable promise in various applications. Prior work has demonstrated that
deep learning models that take advantage of the data's 3D structure can
outperform standard machine learning on several learning tasks. However, most
prior research in this area has focused on neuroimaging data from adults.
Within the Adolescent Brain and Cognitive Development (ABCD) dataset, a large
longitudinal development study, we examine structural MRI data to predict
gender and identify gender-related changes in brain structure. Results
demonstrate that gender prediction accuracy is exceptionally high (>97%) with
training epochs >200 and that this accuracy increases with age. Brain regions
identified as the most discriminative in the task under study include
predominantly frontal areas and the temporal lobe. When evaluating gender
predictive changes specific to a two-year increase in age, a broader set of
visual, cingulate, and insular regions are revealed. Our findings show a robust
gender-related structural brain change pattern, even over a small age range.
This suggests that it might be possible to study how the brain changes during
adolescence by looking at how these changes are related to different behavioral
and environmental factors.
- Abstract（参考訳）: ニューロイメージングデータの予測のためのディープラーニングアルゴリズムは、様々な応用においてかなりの可能性を秘めている。
これまでの研究は、データの3D構造を利用するディープラーニングモデルが、いくつかの学習タスクで標準的な機械学習より優れていることを示した。
しかし、この分野のほとんどの先行研究は、成人の神経画像データに焦点を当てている。
思春期脳認知発達(ABCD)データセットにおいて,脳構造における性別関連変化を推定し,性別関連変化を識別する構造MRIデータについて検討した。
その結果, 性別予測精度は, 訓練時期が200歳以上で非常に高く(>97%), この精度は年齢とともに増加することが示された。
研究対象の最も識別性の高い脳領域は、主に前頭葉と側頭葉である。
2年間の年齢増加に特有の性別予測の変化を評価すると、より広い視野、帯状、管状領域が明らかにされる。
以上の結果より, 性別関連脳構造変化パターンは小年齢でも良好であった。
これは、これらの変化が行動や環境の異なる要因とどのように関連しているかを調べることで、青年期の脳がどのように変化するかを研究することができることを示唆している。
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) - Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文 参考訳（メタデータ） (2024-03-02T16:13:06Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Studying the Effects of Sex-related Differences on Brain Age Prediction
using brain MR Imaging [0.3958317527488534]
脳磁気共鳴画像(MRI)に基づく機械学習モデルを開発する際の性に関するバイアスについて検討する。
異なる実験設計を考慮に入れた脳年齢予測を行い,性別の影響について検討した。
異なる性別サブグループとデータセットで訓練した脳年齢予測モデルの性能に相違が認められた。
論文 参考訳（メタデータ） (2023-10-17T20:55:53Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳（メタデータ） (2022-10-28T18:58:34Z) - Model and predict age and sex in healthy subjects using brain white
matter features: A deep learning approach [8.202227194197066]
拡散MRIは、脳のWM構造を非侵襲的に記述する強力なツールを提供する。
ファイバクラスタに基づく拡散特性を抽出し、新しいアンサンブルニューラルネットワークを用いて性別と年齢を予測する。
我々は,Human Connectome Project (HCP) の若年成人データセットを用いて実験を行い,性別予測では94.82%,年齢予測では2.51歳,年齢予測では94.82%の精度で得られた。
論文 参考訳（メタデータ） (2022-02-08T01:50:12Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - Deep Learning and Bayesian Deep Learning Based Gender Prediction in
Multi-Scale Brain Functional Connectivity [2.2182171526013774]
脳機能接続(FC)から性別を予測することは、脳の活動と性別の関係を構築することができる。
性別予測に適用された現在の予測モデルは、良好な精度を示す。
本稿では,複数スケールの脳内FCの性別をディープラーニングで予測し,完全なFCパターンを特徴として抽出する手法を提案する。
論文 参考訳（メタデータ） (2020-05-18T02:43:26Z)
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。