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
- 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) - Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。
本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。
分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
論文 参考訳(メタデータ) (2024-11-25T12:20:07Z) - Learning Developmental Age from 3D Infant Kinetics Using Adaptive Graph Neural Networks [2.2279946664123664]
Kinetic Age(KA)は、運動パターンに基づいて幼児の年齢を予測することによって、神経発達の成熟度を定量化するデータ駆動の指標である。
本手法は乳児の3次元映像記録を利用してポーズ推定を行い,解剖学的ランドマークの抽出・時間的時系列を抽出する。
これらのデータは適応的なグラフ畳み込みネットワークを用いてモデル化され、幼児運動における検出時間依存性を捉えることができる。
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) - 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) - 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。