論文の概要: Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model

• arxiv url: http://arxiv.org/abs/2211.08831v1
• Date: Wed, 16 Nov 2022 11:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 14:18:41.419703
• Title: Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model
• Title（参考訳）: 神経発達現象予測 : 最先端のディープラーニングモデル
• Authors: D\'aniel Unyi, B\'alint Gyires-T\'oth
• Abstract要約: 我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A major challenge in medical image analysis is the automated detection of biomarkers from neuroimaging data. Traditional approaches, often based on image registration, are limited in capturing the high variability of cortical organisation across individuals. Deep learning methods have been shown to be successful in overcoming this difficulty, and some of them have even outperformed medical professionals on certain datasets. In this paper, we apply a deep neural network to analyse the cortical surface data of neonates, derived from the publicly available Developing Human Connectome Project (dHCP). Our goal is to identify neurodevelopmental biomarkers and to predict gestational age at birth based on these biomarkers. Using scans of preterm neonates acquired around the term-equivalent age, we were able to investigate the impact of preterm birth on cortical growth and maturation during late gestation. Besides reaching state-of-the-art prediction accuracy, the proposed model has much fewer parameters than the baselines, and its error stays low on both unregistered and registered cortical surfaces.
• Abstract（参考訳）: 医用画像解析における大きな課題は、神経画像データからのバイオマーカーの自動検出である。 イメージ登録に基づく伝統的なアプローチは、個人間での皮質組織の高い多様性の獲得に限られている。 深層学習法はこの難しさを克服することに成功したことが示されており、一部は特定のデータセットで医療専門家よりも優れていた。 本稿では, 深層ニューラルネットワークを用いて, ヒトコネクトームプロジェクト(dhcp)から得られた新生児の皮質表面データを分析する。 我々の目標は、神経発達バイオマーカーを同定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。 妊娠終末期に獲得した新生児のスキャンを用いて,妊娠早期の出生が妊娠後期の皮質成長および成熟に及ぼす影響について検討した。 最先端の予測精度に到達することに加えて、提案モデルではベースラインよりもパラメータがはるかに少なく、未登録および登録の皮質面上では誤差が低い。

関連論文リスト

• Modeling 3D Infant Kinetics Using Adaptive Graph Convolutional Networks [2.2279946664123664]
  自発運動、運動学(orkinetics)は、今後の神経発達の強力なサロゲート指標を提供する。 そこで本研究では,個々の運動パターンのデータ駆動評価に基づいて,乳幼児の成熟を予測するための代替手法を提案する。
  論文  参考訳（メタデータ） (2024-02-22T09:34:48Z)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• Cross-Age and Cross-Site Domain Shift Impacts on Deep Learning-Based White Matter Fiber Estimation in Newborn and Baby Brains [7.037994233245839]
  乳児の微形態的発達の変動は、新生児と比較して、深層学習モデルのクロスエイジング性能に直接影響を及ぼすことを示した。 少数の対象ドメインサンプルは、ドメインシフト問題を著しく軽減することができる。
  論文  参考訳（メタデータ） (2023-12-22T15:39:37Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• A Deep Generative Model of Neonatal Cortical Surface Development [0.688204255655161]
  球状化した新生児大脳皮質表面の特徴を成熟の異なる段階間で翻訳するための表面ベースCycleGANを実装した。 以上の結果から, 妊娠後期における皮質組織の個々のパターンの変化を確実に予測できることが示された。 皮質成熟のシミュレートされた相違は、文献の観察と一致している。
  論文  参考訳（メタデータ） (2022-06-15T13:59:43Z)
• 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)
• Deep learning in the ultrasound evaluation of neonatal respiratory status [11.308283140003676]
  肺超音波検査は科学界から関心を集めている。 画像解析とパターン認識のアプローチは、これらのデータに含まれる豊富な情報を十分に活用できることを証明している。 本稿では、近年のディープラーニングネットワークと、大規模かつ挑戦的なマルチセンターデータセット上で実施されているトレーニング戦略について、徹底的に分析する。
  論文  参考訳（メタデータ） (2020-10-31T18:57:55Z)
• 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)
• Geometric Deep Learning for Post-Menstrual Age Prediction based on the Neonatal White Matter Cortical Surface [5.936385673699182]
  本研究では, 経年変化をスキャンで予測する新しい手法を提案する。 我々は,新生児白質皮質表面をベースとした幾何学的深層学習の技術を用いている。 その結果,平均誤差は1週間未満と推定されたPAの正確な予測が得られた。
  論文  参考訳（メタデータ） (2020-08-13T20:15:03Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。