論文の概要: Estimating Brain Age with Global and Local Dependencies

• arxiv url: http://arxiv.org/abs/2209.08933v1
• Date: Mon, 19 Sep 2022 11:30:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 19:50:45.655953
• Title: Estimating Brain Age with Global and Local Dependencies
• Title（参考訳）: グローバル・ローカル・インダクタンスによる脳年齢推定
• Authors: Yanwu Yang, Xutao Guo, Zhikai Chang, Chenfei Ye, Yang Xiang, Haiyan Lv, Ting Ma
• Abstract要約: グローバルおよびローカルな依存関係を解釈する脳年齢を学習するための新しいネットワークを提案する。 我々のネットワークは一連の深層学習手法の中で最も優れており、検証セットの平均絶対誤差(MAE)は2.855で、独立したテストセットでは2.911であった。
• 参考スコア（独自算出の注目度）: 8.182477614847903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brain age has been proven to be a phenotype of relevance to cognitive performance and brain disease. Achieving accurate brain age prediction is an essential prerequisite for optimizing the predicted brain-age difference as a biomarker. As a comprehensive biological characteristic, the brain age is hard to be exploited accurately with models using feature engineering and local processing such as local convolution and recurrent operations that process one local neighborhood at a time. Instead, Vision Transformers learn global attentive interaction of patch tokens, introducing less inductive bias and modeling long-range dependencies. In terms of this, we proposed a novel network for learning brain age interpreting with global and local dependencies, where the corresponding representations are captured by Successive Permuted Transformer (SPT) and convolution blocks. The SPT brings computation efficiency and locates the 3D spatial information indirectly via continuously encoding 2D slices from different views. Finally, we collect a large cohort of 22645 subjects with ages ranging from 14 to 97 and our network performed the best among a series of deep learning methods, yielding a mean absolute error (MAE) of 2.855 in validation set, and 2.911 in an independent test set.
• Abstract（参考訳）: 脳年齢は認知能力と脳疾患に関連する表現型であることが証明されている。 正確な脳年齢予測を達成することは、予測された脳年齢差をバイオマーカーとして最適化するための必須条件である。 包括的生物学的特徴として、特徴工学と局所的畳み込みや局所的局所的操作などの局所的処理を用いたモデルを用いて、脳年齢を正確に評価することは困難である。 代わりにVision Transformersはパッチトークンのグローバルな注意的相互作用を学び、誘導バイアスを減らし、長距離依存関係をモデル化する。 そこで本研究では,大域的および局所的な依存関係を持つ脳年齢を学習するための新しいネットワークを提案し,それに対応する表現を逐次置換トランスフォーマ(spt)と畳み込みブロックでキャプチャする。 SPTは計算効率をもたらし、異なるビューから連続的に2Dスライスを符号化することで、3D空間情報を間接的に位置付けする。 最後に,14歳から97歳までの22645名の被験者の大規模なコホートを収集し,ネットワークが一連の深層学習手法の中で最善を尽くし,平均絶対誤差(MAE)が2.855人,独立テストセットが2.911人となった。

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)
• 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)
• Brain Structural Saliency Over The Ages [0.41998444721319217]
  524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。 老化過程を通じて異なる脳領域への関連性の変化を示す。 地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
  論文  参考訳（メタデータ） (2022-01-12T09:50:29Z)
• Global-Local Transformer for Brain Age Estimation [3.222802562733787]
  深層学習は脳磁気共鳴画像(MRI)に基づく迅速な脳年齢推定を可能にする ほとんどの研究では、局所的なきめ細かい詳細を無視して、入力画像全体からグローバル情報を抽出するために1つのニューラルネットワークを使用している。 入力画像全体からグローバルコンテキスト情報を抽出するグローバルパスと、ローカルパッチから局所的な微細な詳細情報を抽出するローカルパスとからなるグローバルローカルトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2021-09-03T01:39:58Z)
• 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)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• LGGNet: Learning from Local-Global-Graph Representations for Brain-Computer Interface [9.825158483198113]
  我々は,脳波から局所的グローバルグラフ表現を学ぶために,神経学的にインスパイアされたグラフニューラルネットワークlggを提案する。 脳波の時間的ダイナミクスを学習するために, 複数スケールの1次元畳み込み核とカーネルレベルの注目融合を有する時間的畳み込み層を提案する。
  論文  参考訳（メタデータ） (2021-05-05T12:06:34Z)
• 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)

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。