論文の概要: Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier
- arxiv url: http://arxiv.org/abs/2211.02868v1
- Date: Sat, 5 Nov 2022 10:27:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 16:37:14.643114
- Title: Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis
using MRI Images and Ensemble Bagging Classifier
- Title（参考訳）: MRI画像とEnsemble Bagging Classifierを用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク
- Authors: P Supriya Patro, Tripti Goel, S A VaraPrasad, M Tanveer, R Murugan
- Abstract要約: 本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
- 参考スコア（独自算出の注目度）: 1.487444917213389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural alterations have been thoroughly investigated in the brain during
the early onset of schizophrenia (SCZ) with the development of neuroimaging
methods. The objective of the paper is an efficient classification of SCZ in 2
different classes: Cognitive Normal (CN), and SCZ using magnetic resonance
imaging (MRI) images. This paper proposed a lightweight 3D convolutional neural
network (CNN) based framework for SCZ diagnosis using MRI images. In the
proposed model, lightweight 3D CNN is used to extract both spatial and spectral
features simultaneously from 3D volume MRI scans, and classification is done
using an ensemble bagging classifier. Ensemble bagging classifier contributes
to preventing overfitting, reduces variance, and improves the model's accuracy.
The proposed algorithm is tested on datasets taken from three benchmark
databases available as open-source: MCICShare, COBRE, and fBRINPhase-II. These
datasets have undergone preprocessing steps to register all the MRI images to
the standard template and reduce the artifacts. The model achieves the highest
accuracy 92.22%, sensitivity 94.44%, specificity 90%, precision 90.43%, recall
94.44%, F1-score 92.39% and G-mean 92.19% as compared to the current
state-of-the-art techniques. The performance metrics evidenced the use of this
model to assist the clinicians for automatic accurate diagnosis of SCZ.
- Abstract（参考訳）: 統合失調症(SCZ)の早期発症と神経イメージング法の開発において、構造変化が脳内で徹底的に研究されている。
本研究の目的は,認知正常 (CN) と磁気共鳴画像 (MRI) を用いたSCZの2種類の分類を効果的に行うことである。
本稿では,MRI画像を用いたSCZ診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。
提案モデルでは,3次元MRIスキャンから空間的特徴とスペクトル的特徴を同時に抽出するために軽量な3次元CNNを用い,アンサンブルバッグ分類器を用いて分類を行う。
アンサンブルバグング分類器は、過剰フィッティングの防止、分散の低減、モデルの精度の向上に寄与する。
提案アルゴリズムは,MCICShare,COBRE,fBRINPhase-IIという,オープンソースとして利用可能な3つのベンチマークデータベースから抽出したデータセットで検証される。
これらのデータセットは、すべてのMRIイメージを標準テンプレートに登録し、アーティファクトを減らすための前処理ステップを実行している。
精度は92.22%、感度94.44%、特異性90%、精度90.43%、リコール94.44%、f1-score92.39%、g-mean92.19%である。
SCZの自動的正確な診断のために,このモデルを用いて臨床医を支援した。
関連論文リスト
- Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。
このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文 参考訳（メタデータ） (2024-05-23T04:33:12Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - Diagnosing Bipolar Disorder from 3-D Structural Magnetic Resonance
Images Using a Hybrid GAN-CNN Method [0.0]
本研究では、3次元構造MRI画像(sMRI)から双極性障害(BD)を診断するためのハイブリッドGAN-CNNモデルを提案する。
その結果, 精度が75.8%, 感度が60.3%, 特異性が82.5%となり, 従来よりも3.5%高いことがわかった。
論文 参考訳（メタデータ） (2023-10-11T10:17:41Z) - An L2-Normalized Spatial Attention Network For Accurate And Fast
Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images [21.369333654766233]
MRI画像における脳腫瘍の分類のための高精度かつ高速な分類網を提案する。
3種類の脳腫瘍を含む2次元T1強調CE-MRIデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-01T12:22:58Z) - 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) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - 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) - MRI brain tumor segmentation and uncertainty estimation using 3D-UNet
architectures [0.0]
本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。
また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。
この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
論文 参考訳（メタデータ） (2020-12-30T19:28:53Z)
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。