Fugu-MT 論文翻訳(概要): Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning

論文の概要: Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning

arxiv url: http://arxiv.org/abs/2211.08559v2
Date: Tue, 10 Oct 2023 15:49:45 GMT
ステータス: 処理完了
システム内更新日: 2023-10-13 15:49:50.015454
Title: Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning
Title（参考訳）: クロスドメイン自己教師付きディープラーニングを用いたロバストアルツハイマーの進行モデル
Authors: Saba Dadsetan, Mohsen Hejrati, Shandong Wu, Somaye Hashemifar
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.0948853907734044
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Developing successful artificial intelligence systems in practice depends on both robust deep learning models and large, high-quality data. However, acquiring and labeling data can be prohibitively expensive and time-consuming in many real-world applications, such as clinical disease models. Self-supervised learning has demonstrated great potential in increasing model accuracy and robustness in small data regimes. In addition, many clinical imaging and disease modeling applications rely heavily on regression of continuous quantities. However, the applicability of self-supervised learning for these medical-imaging regression tasks has not been extensively studied. In this study, we develop a cross-domain self-supervised learning approach for disease prognostic modeling as a regression problem using medical images as input. We demonstrate that self-supervised pretraining can improve the prediction of Alzheimer's Disease progression from brain MRI. We also show that pretraining on extended (but not labeled) brain MRI data outperforms pretraining on natural images. We further observe that the highest performance is achieved when both natural images and extended brain-MRI data are used for pretraining.
Abstract（参考訳）: 実際に成功した人工知能システムの開発は、堅牢なディープラーニングモデルと、大規模で高品質なデータの両方に依存する。しかしながら、臨床疾患モデルのような現実世界の多くのアプリケーションにおいて、データの取得とラベリングは禁止的に高価で時間がかかります。自己教師付き学習は、小さなデータ体制においてモデル精度と堅牢性を高める大きな可能性を示している。加えて、多くの臨床画像および疾患モデリングアプリケーションは連続量の回帰に大きく依存している。しかし,これらの医用画像回帰課題に対する自己教師付き学習の適用性は広く研究されていない。本研究では,医療画像を入力として回帰問題として,疾患予測モデルのためのクロスドメイン自己教師付き学習手法を開発した。自己教師付き前訓練は脳mriからアルツハイマー病の進行予測を改善できることを実証する。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,自然画像の事前トレーニングよりも優れていた。さらに、自然画像と拡張脳MRIデータの両方が事前トレーニングに使用される場合に、最高の性能が得られることを観察する。

関連論文リスト

Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models [2.4561590439700076]
本研究では,最新のCNNを特徴とする深層学習技術を活用することで,アルツハイマー病(AD)のMRIデータを分類することに焦点を当てた。アルツハイマー病は高齢者の認知症の主要な原因であり、徐々に認知機能障害を引き起こす不可逆的な脳疾患である。将来、この研究は、信号、画像、その他のデータを含む他の種類の医療データを組み込むように拡張することができる。
論文参考訳（メタデータ） (2024-05-20T15:44:07Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense Active Learning for Super-resolution [47.38982697349244]
デンス回帰(Dense regression)は、画像の超解像、エンハンスメント、深さ推定などのタスクのためのコンピュータビジョンで広く使われているアプローチである。この問題に対処するために,能動学習を高密度回帰モデルに組み込むことを提案する。アクティブな学習により、モデルはラベル付けのための最も有益なサンプルを選択し、全体的なアノテーションコストを削減し、パフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2023-05-27T16:33:43Z)
Large language models improve Alzheimer's disease diagnosis using multi-modality data [19.535491994272245]
患者情報、遺伝データ、医薬品情報、認知検査、記憶検査などの非画像データも、診断において非常に重要な役割を担っている。我々は、現在非常に人気のある訓練済みの大規模言語モデル(LLM)を使用して、非画像データを利用するモデルの能力を強化する。
論文参考訳（メタデータ） (2023-05-26T18:42:19Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Contrastive learning for regression in multi-site brain age prediction [8.985583914175738]
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。
論文参考訳（メタデータ） (2022-11-14T10:07:30Z)
DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文参考訳（メタデータ） (2022-03-17T05:42:00Z)
Variational voxelwise rs-fMRI representation learning: Evaluation of sex, age, and neuropsychiatric signatures [0.0]
本稿では,Voxelwise rs-fMRIデータに非線形表現学習を適用することを提案する。非線形表現の学習は変分オートエンコーダ(VAE)を用いて行われる VAEは、voxelwise rs-fMRIデータに基づいて訓練され、意味のある情報を保持する非線形次元還元を行う。
論文参考訳（メタデータ） (2021-08-29T05:27:32Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。