論文の概要: Age Prediction Performance Varies Across Deep, Superficial, and Cerebellar White Matter Connections

• arxiv url: http://arxiv.org/abs/2211.07398v2
• Date: Wed, 5 Jul 2023 13:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 23:46:25.628717
• Title: Age Prediction Performance Varies Across Deep, Superficial, and Cerebellar White Matter Connections
• Title（参考訳）: 年齢予測性能は、深部、表層、小脳白質接続で異なる
• Authors: Yuxiang Wei, Tengfei Xue, Yogesh Rathi, Nikos Makris, Fan Zhang, Lauren J. O'Donnell
• Abstract要約: 本稿では,大規模な畳み込みカーネルと逆ボトルネックを利用した,ディープラーニングに基づく年齢予測モデルを提案する。 実験結果から,提案モデルの平均絶対誤差は2.59年であることが示唆された。 総じて、最も予測可能なWM路は、深部WMからの視床前頭葉と小脳内入力と小脳WMからのPurkinje路である。
• 参考スコア（独自算出の注目度）: 5.748406277713642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The brain's white matter (WM) undergoes developmental and degenerative processes during the human lifespan. To investigate the relationship between WM anatomical regions and age, we study diffusion magnetic resonance imaging tractography that is finely parcellated into fiber clusters in the deep, superficial, and cerebellar WM. We propose a deep-learning-based age prediction model that leverages large convolutional kernels and inverted bottlenecks. We improve performance using novel discrete multi-faceted mix data augmentation and a novel prior-knowledge-based loss function that encourages age predictions in the expected range. We study a dataset of 965 healthy young adults (22-37 years) derived from the Human Connectome Project (HCP). Experimental results demonstrate that the proposed model achieves a mean absolute error of 2.59 years and outperforms compared methods. We find that the deep WM is the most informative for age prediction in this cohort, while the superficial WM is the least informative. Overall, the most predictive WM tracts are the thalamo-frontal tract from the deep WM and the intracerebellar input and Purkinje tract from the cerebellar WM.
• Abstract（参考訳）: 脳の白質(wm)は、人間の寿命の間、発達過程および変性過程を経る。 WMの解剖学的領域と年齢との関係を検討するため,深部,表層,小脳WMの線維クラスターに微粒化した拡散磁気共鳴画像撮影法について検討した。 本研究では,大規模畳み込みカーネルと逆ボトルネックを利用した,ディープラーニングに基づく年齢予測モデルを提案する。 本研究では,複数面混合データの拡張と,予測範囲での年齢予測を促進する事前知識に基づく損失関数を用いて,性能改善を行う。 ヒトコネクトームプロジェクト(hcp)から得られた健常成人945名(22-37歳)のデータセットについて検討した。 実験の結果,提案モデルは平均絶対誤差2.59年を達成し,比較法を上回った。 このコホートでは,深部WMが最も年齢予測に有意であり,浅部WMが最も有意である。 総じて、最も予測可能なWM路は、深部WMからの視床前頭葉と小脳内入力と小脳WMからのPurkinje路である。

関連論文リスト

• SFCNeXt: a simple fully convolutional network for effective brain age estimation with small sample size [10.627447275777609]
  ディープニューラルネットワーク(DNN)は、T1強調磁気共鳴画像(T1 MRI)から健康脳の時系列年齢を予測するように設計されている。 脳年齢推定のための最近のDNNモデルは、通常、多段階の特徴改善のための大規模なサンプルサイズと複雑なネットワーク構造に依存しすぎている。 本稿では、偏りのある小型コホートにおける脳年齢推定のための簡易完全畳み込みネットワーク(SFCNeXt)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T06:11:38Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Model and predict age and sex in healthy subjects using brain white matter features: A deep learning approach [8.202227194197066]
  拡散MRIは、脳のWM構造を非侵襲的に記述する強力なツールを提供する。 ファイバクラスタに基づく拡散特性を抽出し、新しいアンサンブルニューラルネットワークを用いて性別と年齢を予測する。 我々は,Human Connectome Project (HCP) の若年成人データセットを用いて実験を行い,性別予測では94.82%,年齢予測では2.51歳,年齢予測では94.82%の精度で得られた。
  論文  参考訳（メタデータ） (2022-02-08T01:50:12Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• 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)
• 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)
• Neuro4Neuro: A neural network approach for neural tract segmentation using large-scale population-based diffusion imaging [7.265739747023668]
  白色物質(WM)の微細構造の変化は、正常な老化と神経変性と関連している。 Neuro4Neuroは畳み込みニューラルネットワーク(CNN)を用いた拡散画像からWMトラクションを直接抽出できる この3次元エンド・ツー・エンド法は、大集団による研究(N=9752, 1.5T MRI)から、25WM領域の老年者へのセグメンテーションを訓練する。
  論文  参考訳（メタデータ） (2020-05-26T16:14:31Z)

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。