論文の概要: Deep neuroevolution to predict primary brain tumor grade from functional
MRI adjacency matrices
- arxiv url: http://arxiv.org/abs/2211.14500v1
- Date: Sat, 26 Nov 2022 07:13:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 14:27:03.878648
- Title: Deep neuroevolution to predict primary brain tumor grade from functional
MRI adjacency matrices
- Title（参考訳）: 機能的mri随伴行列から脳原発腫瘍の悪性度を予測する深部神経進化
- Authors: Joseph Stember, Mehrnaz Jenabi, Luca Pasquini, Kyung Peck, Andrei
Holodny and Hrithwik Shalu
- Abstract要約: 我々は,高次グリオーマ (HGG) と低次グリオーマ (LGG) の2つの重要な脳腫瘍の区別をAIが学べることを示した。
深部神経進化(DNE)を用いた畳み込みニューラルネットワーク(CNN)の訓練を行った。
たった30個の隣接行列でトレーニングした後、私たちのCNNは、完全なテストセットの正確さでLGGとの違いをHGGに伝えることができました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whereas MRI produces anatomic information about the brain, functional MRI
(fMRI) tells us about neural activity within the brain, including how various
regions communicate with each other. The full chorus of conversations within
the brain is summarized elegantly in the adjacency matrix. Although
information-rich, adjacency matrices typically provide little in the way of
intuition. Whereas trained radiologists viewing anatomic MRI can readily
distinguish between different kinds of brain cancer, a similar determination
using adjacency matrices would exceed any expert's grasp. Artificial
intelligence (AI) in radiology usually analyzes anatomic imaging, providing
assistance to radiologists. For non-intuitive data types such as adjacency
matrices, AI moves beyond the role of helpful assistant, emerging as
indispensible. We sought here to show that AI can learn to discern between two
important brain tumor types, high-grade glioma (HGG) and low-grade glioma
(LGG), based on adjacency matrices. We trained a convolutional neural networks
(CNN) with the method of deep neuroevolution (DNE), because of the latter's
recent promising results; DNE has produced remarkably accurate CNNs even when
relying on small and noisy training sets, or performing nuanced tasks. After
training on just 30 adjacency matrices, our CNN could tell HGG apart from LGG
with perfect testing set accuracy. Saliency maps revealed that the network
learned highly sophisticated and complex features to achieve its success.
Hence, we have shown that it is possible for AI to recognize brain tumor type
from functional connectivity. In future work, we will apply DNE to other noisy
and somewhat cryptic forms of medical data, including further explorations with
fMRI.
- Abstract（参考訳）: MRIが脳の解剖学的情報を生成するのに対し、機能MRI(fMRI)は脳内の神経活動について教えてくれます。
脳内の会話の完全なコーラスは、隣接マトリックスでエレガントに要約される。
情報に富むが、隣接行列は通常直観的な方法ではほとんど提供しない。
解剖学的MRIを観察する訓練された放射線学者は、異なる種類の脳がんを区別することができるが、隣接行列を用いた同様の判定は専門家の把握を超えている。
放射線学における人工知能(ai)は通常解剖学的イメージングを分析し、放射線科医に支援を提供する。
隣接行列のような直観的でないデータ型では、aiは役に立たないアシスタントの役割を超越する。
そこで我々は,隣接行列に基づいて,高次グリオーマ (HGG) と低次グリオーマ (LGG) の2つの重要な脳腫瘍の鑑別をAIが学べることを求めた。
近年の有望な結果により,畳み込みニューラルネットワーク (cnn) を深層神経進化 (dne) 法で訓練した。
たった30個の隣接行列でトレーニングした後、私たちのCNNは、完全なテストセットの正確さでLGGとの違いをHGGに伝えることができました。
ネットワークは高度に高度で複雑な特徴を習得し、その成功を達成した。
そこで我々は,脳腫瘍のタイプを機能的接続から認識することが可能であることを示した。
今後の研究では、DNEを、fMRIによるさらなる探索を含む、他の騒々しい、やや暗号的な医療データに適用する。
関連論文リスト
- Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection [0.23301643766310373]
脳MRIは、腫瘍の存在や欠如を明らかにするのに不正確であることが知られている。
本研究では,腫瘍の存在を特定するために,畳み込みニューラルネットワーク(CNN)を訓練した。
CNNモデルの結果、99.17%の精度を示した。
論文 参考訳（メタデータ） (2024-10-30T00:47:32Z) - Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳（メタデータ） (2024-10-25T13:15:17Z) - 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) - Brain Tumor classification and Segmentation using Deep Learning [3.1248717814228923]
MRI画像を用いた脳腫瘍の分類・診断における医療従事者の支援を目的とした機械学習システムを提案する。
私たちのシステムはセキュアなログインを提供しており、医師はMRIの写真をアップロードまたは撮ることができる。
我々のシステムは、1秒未満で分類でき、医師は脳腫瘍医師のコミュニティとチャットできる。
論文 参考訳（メタデータ） (2023-04-16T21:42:21Z) - Video4MRI: An Empirical Study on Brain Magnetic Resonance Image
Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。
本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。
効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
論文 参考訳（メタデータ） (2023-02-24T15:26:31Z) - Deep neuroevolution for limited, heterogeneous data: proof-of-concept
application to Neuroblastoma brain metastasis using a small virtual pooled
image collection [0.0]
我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。
症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。
DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
論文 参考訳（メタデータ） (2022-11-26T07:03:37Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z) - Synthesis of Brain Tumor MR Images for Learning Data Augmentation [2.4493299476776778]
深層ニューラルネットワークは、データ学習によって訓練される。
医用画像では十分な患者データを取得することは困難である。
一方、健康なボランティアの医療画像を容易に取得することができる。
論文 参考訳（メタデータ） (2020-03-17T04:43:20Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳（メタデータ） (2019-12-28T12:45:34Z)
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。