Fugu-MT 論文翻訳(概要): Comparative study of machine learning and deep learning methods on ASD classification

論文の概要: Comparative study of machine learning and deep learning methods on ASD classification

arxiv url: http://arxiv.org/abs/2209.08601v1
Date: Sun, 18 Sep 2022 16:39:10 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 17:16:08.815899
Title: Comparative study of machine learning and deep learning methods on ASD classification
Title（参考訳）: ASD分類における機械学習と深層学習の比較研究
Authors: Ramchandra Rimal, Mitchell Brannon and Yingxin Wang
Abstract要約: 自閉症データセットは、自閉症と健康なグループの違いを特定するために研究される。本モデルでは,多地点ABIDE Iデータを用いて,自閉症患者と健常患者を71%の精度で分類できる。
参考スコア（独自算出の注目度）: 4.826988182025783
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The autism dataset is studied to identify the differences between autistic and healthy groups. For this, the resting-state Functional Magnetic Resonance Imaging (rs-fMRI) data of the two groups are analyzed, and networks of connections between brain regions were created. Several classification frameworks are developed to distinguish the connectivity patterns between the groups. The best models for statistical inference and precision were compared, and the tradeoff between precision and model interpretability was analyzed. Finally, the classification accuracy measures were reported to justify the performance of our framework. Our best model can classify autistic and healthy patients on the multisite ABIDE I data with 71% accuracy.
Abstract（参考訳）: 自閉症データセットは、自閉症と健康なグループの違いを特定するために研究される。このために、2つのグループの静止状態機能磁気共鳴イメージング(rs-fMRI)データを解析し、脳領域間の接続ネットワークを構築した。グループ間の接続パターンを識別するために、いくつかの分類フレームワークが開発されている。統計的推測と精度の最良のモデルを比較し,精度とモデルの解釈可能性のトレードオフを分析した。最後に, 分類精度尺度を報告し, フレームワークの性能を正当化した。我々の最善のモデルは、71%の精度でマルチサイト abide i データに基づいて自閉症患者と健康患者を分類できる。

関連論文リスト

Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
論文参考訳（メタデータ） (2024-09-22T01:23:46Z)
An Evaluation of Machine Learning Approaches for Early Diagnosis of Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文参考訳（メタデータ） (2023-09-20T21:23:37Z)
FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文参考訳（メタデータ） (2022-08-30T16:06:07Z)
Diagnosis of Schizophrenia: A comprehensive evaluation [1.174402845822043]
サポートベクターマシン(SVM)、ランダムフォレスト、カーネルリッジ回帰、ランダム化されたニューラルネットワークに基づいて、異なる分類アルゴリズムを評価した。評価の結果,他の分類モデルと比較して,ガウスカーネルを用いたSVMベースのモデルの方が優れていることがわかった。データモダリティの面では,灰白質と白質を個別に比較すると,灰白質と白質との結合性能は良好であった。
論文参考訳（メタデータ） (2022-03-22T10:55:51Z)
Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。 GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文参考訳（メタデータ） (2022-02-21T04:37:25Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
A comprehensive comparative evaluation and analysis of Distributional Semantic Models [61.41800660636555]
我々は、静的DSMによって生成されたり、BERTによって生成された文脈化されたベクトルを平均化して得られるような、型分布ベクトルの包括的評価を行う。その結果、予測ベースモデルの優越性は現実よりも明らかであり、ユビキタスではないことが明らかとなった。我々は認知神経科学からRepresentational similarity Analysis(RSA)の方法論を借りて、分布モデルによって生成された意味空間を検査する。
論文参考訳（メタデータ） (2021-05-20T15:18:06Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
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)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。