論文の概要: Identification of Rare Cortical Folding Patterns using Unsupervised Deep
Learning
- arxiv url: http://arxiv.org/abs/2211.16213v1
- Date: Tue, 29 Nov 2022 13:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 17:35:46.669865
- Title: Identification of Rare Cortical Folding Patterns using Unsupervised Deep
Learning
- Title(参考訳): 教師なし深層学習による新しい皮質形成パターンの同定
- Authors: Louise Guillon, Jo\"el Chavas, Audrey B\'en\'ezit, Marie-Laure
Moutard, Denis Rivi\`ere and Jean-Fran\c{c}ois Mangin
- Abstract要約: 皮質の折りたたみパターンは、一般的な種固有の組織に従っていても、それぞれの脳に固有のものである。
いくつかの折り畳みパターンは神経発達障害と関連付けられている。
本稿では,希少な折り畳みパターンを識別するための非教師付き深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Like fingerprints, cortical folding patterns are unique to each brain even
though they follow a general species-specific organization. Some folding
patterns have been linked with neurodevelopmental disorders. However, due to
the high inter-individual variability, the identification of rare folding
patterns that could become biomarkers remains a very complex task. This paper
proposes a novel unsupervised deep learning approach to identify rare folding
patterns and assess the degree of deviations that can be detected. To this end,
we preprocess the brain MR images to focus the learning on the folding
morphology and train a beta-VAE to model the inter-individual variability of
the folding. We compare the detection power of the latent space and of the
reconstruction errors, using synthetic benchmarks and one actual rare
configuration related to the central sulcus. Finally, we assess the
generalization of our method on a developmental anomaly located in another
region. Our results suggest that this method enables encoding relevant folding
characteristics that can be enlightened and better interpreted based on the
generative power of the beta-VAE. The latent space and the reconstruction
errors bring complementary information and enable the identification of rare
patterns of different nature. This method generalizes well to a different
region on another dataset. Code is available at
https://github.com/neurospin-projects/2022_lguillon_rare_folding_detection.
- Abstract(参考訳): 指紋と同様に、皮質の折りたたみパターンは、一般的な種固有の組織に従っていても、それぞれの脳に固有のものである。
いくつかの折りたたみパターンは神経発達障害と関連している。
しかし, 個体間変動が大きいため, バイオマーカーとなる稀な折りたたみパターンの同定は非常に複雑な課題である。
本稿では,稀な折りたたみパターンを識別し,検出可能な偏差の程度を評価するための,教師なし深層学習手法を提案する。
この目的のために、我々は脳MRI画像の事前処理を行い、折り畳み形態の学習に集中し、折り畳みの個人間変動をモデル化するためにβ-VAEを訓練する。
そこで本研究では, 合成ベンチマークと中心溝に関する実際の稀な構成を用いて, 潜在空間の検出力と再構成誤差を比較した。
最後に,他の地域に位置する発達異常に対する手法の一般化を評価する。
提案手法は,β-VAEの生成力に基づいて,啓発され,より解釈しやすい折りたたみ特性の符号化を可能にする。
潜在空間と再構成誤差は相補的な情報をもたらし、異なる性質の稀なパターンの識別を可能にする。
この方法は別のデータセット上の別の領域によく一般化する。
コードはhttps://github.com/neurospin-projects/2022_lguillon_rare_folding_detectionで入手できる。
関連論文リスト
- Optimizing contrastive learning for cortical folding pattern detection [0.0]
我々は,囲い領域の折りたたみパターンを検出するための自己教師型ディープラーニングモデルを構築した。
このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用されたのは、これが初めてである。
論文 参考訳(メタデータ) (2024-01-31T17:59:57Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - Multimodal and multicontrast image fusion via deep generative models [3.431015735214097]
本稿では,モジュール型アプローチと分離可能な畳み込みブロックに根ざした生成モデルに基づく深層学習アーキテクチャを提案する。
これは、病気の進化を予測し、薬の反応を予測し、機械的な理解と臨床試験の強化を支援するのに役立つかもしれない。
論文 参考訳(メタデータ) (2023-03-28T13:31:27Z) - T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in
Disease Progression [82.85825388788567]
我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。
T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
論文 参考訳(メタデータ) (2023-02-24T13:30:35Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - Measures of Information Reflect Memorization Patterns [53.71420125627608]
異なるニューロンの活性化パターンの多様性は、モデル一般化と記憶の反映であることを示す。
重要なことは、情報組織が記憶の2つの形態を指していることである。
論文 参考訳(メタデータ) (2022-10-17T20:15:24Z) - A Novel Explainable Out-of-Distribution Detection Approach for Spiking
Neural Networks [6.100274095771616]
この研究は、スパイキングニューラルネットワークに入力されたテスト例がトレーニングされたデータの分布に属するかどうかを識別できる新しいOoD検出器を提案する。
我々は、スパイクカウントパターンの形で、ネットワークの隠蔽層の内部活性化を特徴付ける。
入力インスタンスのどの部分が最もOoDサンプルとして検出されるかを明らかにする属性マップを作成するために,局所的な説明法が考案された。
論文 参考訳(メタデータ) (2022-09-30T11:16:35Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - What do we learn? Debunking the Myth of Unsupervised Outlier Detection [9.599183039166284]
自動エンコーダが2つの異なるタスクを解く際に実際に何を学ぶかを検討する。
現状のSOTA (State-of-the-art) AEsは潜伏多様体を制約できず、異常パターンの復元ができないか、潜伏分布から正確に入力を復元できないかを示す。
本稿では,新しい変形可能なオートエンコーダ(AEMorphus)を提案する。
論文 参考訳(メタデータ) (2022-06-08T06:36:16Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Latent-Insensitive Autoencoders for Anomaly Detection and
Class-Incremental Learning [0.0]
我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。
本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
論文 参考訳(メタデータ) (2021-10-25T16:53:49Z)
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。