Fugu-MT 論文翻訳(概要): Introducing Vision Transformer for Alzheimer's Disease classification task with 3D input

論文の概要: Introducing Vision Transformer for Alzheimer's Disease classification task with 3D input

arxiv url: http://arxiv.org/abs/2210.01177v1
Date: Mon, 3 Oct 2022 18:48:22 GMT
ステータス: 処理完了
システム内更新日: 2022-10-05 13:57:14.242553
Title: Introducing Vision Transformer for Alzheimer's Disease classification task with 3D input
Title（参考訳）: 3次元入力を用いたアルツハイマー病分類タスクのための視覚トランスフォーマーの導入
Authors: Zilun Zhang, Farzad Khalvati
Abstract要約: ビジョントランスフォーマーベースのモデルは、CNNベースのモデルより優れているか? 浅い3次元CNNモデルを用いて満足な結果を得ることができるか? 以上の結果から, 浅部3次元CNNモデルでは, MRIによるアルツハイマー病の分類が良好であることが示唆された。
参考スコア（独自算出の注目度）: 1.0152838128195467
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many high-performance classification models utilize complex CNN-based architectures for Alzheimer's Disease classification. We aim to investigate two relevant questions regarding classification of Alzheimer's Disease using MRI: "Do Vision Transformer-based models perform better than CNN-based models?" and "Is it possible to use a shallow 3D CNN-based model to obtain satisfying results?" To achieve these goals, we propose two models that can take in and process 3D MRI scans: Convolutional Voxel Vision Transformer (CVVT) architecture, and ConvNet3D-4, a shallow 4-block 3D CNN-based model. Our results indicate that the shallow 3D CNN-based models are sufficient to achieve good classification results for Alzheimer's Disease using MRI scans.
Abstract（参考訳）: 多くの高性能分類モデルは、アルツハイマー病分類に複雑なCNNベースのアーキテクチャを使用している。 mriを用いたアルツハイマー病の分類について,「視覚トランスフォーマーモデルの方がcnnモデルより優れているか」と「浅い3d cnnモデルで満足できる結果が得られるか」という2つの関連質問について検討することを目的とした。これらの目的を達成するために,3次元MRIスキャンの処理が可能なモデルとして,畳み込みVoxel Vision Transformer(CVVT)アーキテクチャと,浅い4ブロックCNNモデルであるConvNet3D-4を提案する。以上の結果から, 浅部3次元CNNモデルでは, MRIによるアルツハイマー病の分類が良好であることが示唆された。

関連論文リスト

Vision Mamba: Cutting-Edge Classification of Alzheimer's Disease with 3D MRI Scans [0.6827423171182153]
アルツハイマー病の早期発見のための3次元MRI画像の分類は、医用画像において重要な課題である。畳み込みニューラルネットワーク(CNN)とトランスフォーマーを用いた従来のアプローチは、この領域で重要な課題に直面している。本研究では,3次元MRI画像の分類のための状態空間モデル(SSM)に基づく高度なモデルであるVision Mambaを用いてアルツハイマー病を検出することを提案する。
論文参考訳（メタデータ） (2024-06-09T12:23:22Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文参考訳（メタデータ） (2023-02-24T15:26:31Z)
Highly Accurate FMRI ADHD Classification using time distributed multi modal 3D CNNs [0.0]
本研究では,ADHD障害分類のためのfMRIデータ解析アルゴリズムを提案する。 3D-GANを利用することで、ディープフェイクデータを使用して脳障害の3D CNN分類の精度を高めることができる。
論文参考訳（メタデータ） (2022-05-24T11:39:11Z)
Combining 3D Image and Tabular Data via the Dynamic Affine Feature Map Transform [3.5235974685889397]
我々は,CNNの汎用モジュールであるDynamic Affine Feature Map Transform (DAFT)を紹介し,患者の臨床情報に基づいて,畳み込み層の特徴マップを動的に再スケール・シフトする。 DAFTは診断のための3次元画像と表型情報を組み合わせるのに非常に有効であり、それぞれ平均平衡精度0.622と平均c-インデックス0.748で競合するCNNを上回ります。
論文参考訳（メタデータ） (2021-07-13T11:18:22Z)
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)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Dynamic Image for 3D MRI Image Alzheimer's Disease Classification [26.296422774282156]
3D畳み込みニューラルネットワーク(CNN)のトレーニングには時間と計算コストがかかる。我々は3次元MRI画像の体積を2次元画像に変換して2次元CNNの入力として利用する。提案したCNNモデルは、ベースライン3Dモデルよりも、アルツハイマー病の分類精度が9.5%高い。
論文参考訳（メタデータ） (2020-11-30T21:39:32Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)
2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文参考訳（メタデータ） (2020-02-11T08:24:19Z)

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。