論文の概要: Contrastive learning for regression in multi-site brain age prediction
- arxiv url: http://arxiv.org/abs/2211.08326v2
- Date: Tue, 21 Mar 2023 13:37:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 02:05:36.830507
- Title: Contrastive learning for regression in multi-site brain age prediction
- Title(参考訳): 多地点脳年齢予測における回帰のコントラスト学習
- Authors: Carlo Alberto Barbano, Benoit Dufumier, Edouard Duchesnay, Marco
Grangetto, Pietro Gori
- Abstract要約: MRIスキャンによる頑健な脳年齢予測のための新しいコントラスト学習回帰損失を提案する。
提案手法は,OpenBHBチャレンジにおける最先端性能を実現し,サイト関連ノイズに対する最高の一般化能力とロバスト性を実現する。
- 参考スコア(独自算出の注目度): 8.985583914175738
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building accurate Deep Learning (DL) models for brain age prediction is a
very relevant topic in neuroimaging, as it could help better understand
neurodegenerative disorders and find new biomarkers. To estimate accurate and
generalizable models, large datasets have been collected, which are often
multi-site and multi-scanner. This large heterogeneity negatively affects the
generalization performance of DL models since they are prone to overfit
site-related noise. Recently, contrastive learning approaches have been shown
to be more robust against noise in data or labels. For this reason, we propose
a novel contrastive learning regression loss for robust brain age prediction
using MRI scans. Our method achieves state-of-the-art performance on the
OpenBHB challenge, yielding the best generalization capability and robustness
to site-related noise.
- Abstract(参考訳): 脳年齢予測のための正確なディープラーニング(dl)モデルの構築は、神経画像学において非常に重要なトピックであり、神経変性疾患の理解を深め、新しいバイオマーカーを見つけるのに役立つ。
正確で一般化可能なモデルを推定するために、大規模なデータセットが収集されている。
この大きな不均一性は、サイト関連ノイズに過度に適合する傾向にあるため、DLモデルの一般化性能に悪影響を及ぼす。
近年、データやラベルのノイズに対して、対照的な学習アプローチがより堅牢であることが示されている。
そこで本稿では,MRIスキャンを用いた脳年齢予測のための新しい学習遅延損失を提案する。
提案手法は,OpenBHBチャレンジにおける最先端性能を実現し,サイト関連ノイズに対する最高の一般化能力とロバスト性を実現する。
関連論文リスト
- Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳(メタデータ) (2025-01-02T19:37:09Z) - Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。
現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。
我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。
我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
論文 参考訳(メタデータ) (2024-12-01T21:54:08Z) - Anatomical Foundation Models for Brain MRIs [6.993491018326816]
我々は脳MRIの解剖学的基礎モデルであるAnatCLを提案する。
異なる条件の診断のための12の下流タスクについて検討する。
予備訓練中に解剖情報を組み込むことで,より堅牢で汎用的な表現が可能であることが示唆された。
論文 参考訳(メタデータ) (2024-08-07T14:04:50Z) - Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer
Learning and Imbalance Handling in Deep Learning Models [0.0]
MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。
公開のBrain MRIデータセットを活用することで、実験はさまざまな腫瘍タイプを分類するための様々な転写学習モデルを評価した。
VGG-16とCNNを組み合わせた提案手法は,96%の精度で,代替手法をはるかに上回った。
論文 参考訳(メタデータ) (2023-08-13T17:30:32Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳(メタデータ) (2023-01-19T21:39:38Z) - Robust Alzheimer's Progression Modeling using Cross-Domain
Self-Supervised Deep Learning [3.0948853907734044]
我々は,医学画像を入力として回帰問題として,疾患予測モデリングのためのクロスドメイン自己教師型学習手法を開発した。
脳MRIによるアルツハイマー病の進行予測を,自己指導型プレトレーニングで改善できることを実証した。
また,脳MRIデータの拡張(ラベル付きではない)による事前トレーニングは,自然画像上での事前トレーニングよりも優れていた。
論文 参考訳(メタデータ) (2022-11-15T23:04:15Z) - A Novel Supervised Contrastive Regression Framework for Prediction of
Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI
Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。
SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。
SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文 参考訳(メタデータ) (2022-10-13T23:24:12Z) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳(メタデータ) (2022-07-07T15:37:17Z) - 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) - Artificial Neural Variability for Deep Learning: On Overfitting, Noise
Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。
ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。
過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文 参考訳(メタデータ) (2020-11-12T06:06:33Z) - 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。