論文の概要: Structure Guided Manifolds for Discovery of Disease Characteristics
- arxiv url: http://arxiv.org/abs/2209.11015v2
- Date: Sat, 24 Sep 2022 01:24:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 11:19:58.957545
- Title: Structure Guided Manifolds for Discovery of Disease Characteristics
- Title(参考訳): 病原性発見のための構造ガイドマニフォールド
- Authors: Siyu Liu, Linfeng Liu, Xuan Vinh, Stuart Crozier, Craig Engstrom,
Fatima Nasrallah, Shekhar Chandra
- Abstract要約: DiDiGANは、微妙な疾患の特徴を発見し、視覚化するための弱い監督のフレームワークである。
アルツハイマー病の神経イメージングイニシアチブのデータセットでテストされた。
- 参考スコア(独自算出の注目度): 5.336635180224786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical image analysis, the subtle visual characteristics of many diseases
are challenging to discern, particularly due to the lack of paired data. For
example, in mild Alzheimer's Disease (AD), brain tissue atrophy can be
difficult to observe from pure imaging data, especially without paired AD and
Cognitively Normal ( CN ) data for comparison. This work presents Disease
Discovery GAN ( DiDiGAN), a weakly-supervised style-based framework for
discovering and visualising subtle disease features. DiDiGAN learns a disease
manifold of AD and CN visual characteristics, and the style codes sampled from
this manifold are imposed onto an anatomical structural "blueprint" to
synthesise paired AD and CN magnetic resonance images (MRIs). To suppress
non-disease-related variations between the generated AD and CN pairs, DiDiGAN
leverages a structural constraint with cycle consistency and anti-aliasing to
enforce anatomical correspondence. When tested on the Alzheimer's Disease
Neuroimaging Initiative ( ADNI) dataset, DiDiGAN showed key AD characteristics
(reduced hippocampal volume, ventricular enlargement, and atrophy of cortical
structures) through synthesising paired AD and CN scans. The qualitative
results were backed up by automated brain volume analysis, where systematic
pair-wise reductions in brain tissue structures were also measured
- Abstract(参考訳): 医用画像解析において、多くの疾患の微妙な視覚的特徴は、特にペアデータがないために識別が困難である。
例えば、軽度アルツハイマー病(AD)では、純粋な画像データから脳組織萎縮を観察することは困難である。
本研究は、微妙な疾患の特徴を発見・可視化するための弱い教師付きスタイルベースのフレームワークである病的発見GAN(DiDiGAN)を提示する。
ディディガンはadとcnの視覚特性の疾患多様体を学習し、この多様体からサンプリングされたスタイルコードは解剖学的構造である「ブループリント」に課され、ペアドadとcn磁気共鳴画像(mri)を合成する。
DiDiGANは、生成したADとCNの非相転移を抑えるために、サイクル一貫性とアンチエイリアシングによる構造的制約を活用し、解剖学的対応を強制する。
アルツハイマー病神経画像イニシアチブ(ADNI)データセットで試験したところ、DiDiGANはADスキャンとCNスキャンを併用することにより、主要なAD特性(海馬容積、心室拡張、皮質構造の萎縮)を示した。
定性的な結果は自動脳容積分析によって裏付けられ、脳組織構造の系統的一対の縮小も測定された。
関連論文リスト
- Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文 参考訳(メタデータ) (2023-02-21T18:16:20Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳(メタデータ) (2022-03-12T15:24:03Z) - 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) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - Interpretation of Disease Evidence for Medical Images Using Adversarial
Deformation Fields [4.2739669051600275]
本稿では,病状証拠の空間的説明を定式化し提示する手法を提案する。
逆行訓練されたジェネレータは、疾患患者の画像を変更する変形場を生成し、健康な患者の画像に類似させる。
慢性閉塞性肺疾患(COPD)の胸部X線(CXR)およびアルツハイマー病(AD)の脳MRI所見について検討した。
論文 参考訳(メタデータ) (2020-07-04T00:51:54Z) - Longitudinal Pooling & Consistency Regularization to Model Disease
Progression from MRIs [11.979581631288832]
本稿では,新しい縦型プール層に特徴抽出を結合させることにより,来訪者間の特徴を結合することを提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)は,正常な274例とアルコール使用障害(AUD)329例からなる。
これら3つの実験において、我々の方法は、他の広く使われている縦断的分類法よりも優れているため、脳への条件の影響をより正確に追跡するのに一意に寄与する。
論文 参考訳(メタデータ) (2020-03-31T05:28:51Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳(メタデータ) (2020-02-26T17:10:48Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
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。