論文の概要: Deep Learning for Brain Age Estimation: A Systematic Review
- arxiv url: http://arxiv.org/abs/2212.03868v1
- Date: Wed, 7 Dec 2022 15:19:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 14:31:22.340975
- Title: Deep Learning for Brain Age Estimation: A Systematic Review
- Title（参考訳）: 脳年齢推定のための深層学習 : 体系的考察
- Authors: M. Tanveer, M. A. Ganaie, Iman Beheshti, Tripti Goel, Nehal Ahmad,
Kuan-Ting Lai, Kaizhu Huang, Yu-Dong Zhang, Javier Del Ser, Chin-Teng Lin
- Abstract要約: 機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。
ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
- 参考スコア（独自算出の注目度）: 41.292656643344294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the years, Machine Learning models have been successfully employed on
neuroimaging data for accurately predicting brain age. Deviations from the
healthy brain aging pattern are associated to the accelerated brain aging and
brain abnormalities. Hence, efficient and accurate diagnosis techniques are
required for eliciting accurate brain age estimations. Several contributions
have been reported in the past for this purpose, resorting to different
data-driven modeling methods. Recently, deep neural networks (also referred to
as deep learning) have become prevalent in manifold neuroimaging studies,
including brain age estimation. In this review, we offer a comprehensive
analysis of the literature related to the adoption of deep learning for brain
age estimation with neuroimaging data. We detail and analyze different deep
learning architectures used for this application, pausing at research works
published to date quantitatively exploring their application. We also examine
different brain age estimation frameworks, comparatively exposing their
advantages and weaknesses. Finally, the review concludes with an outlook
towards future directions that should be followed by prospective studies. The
ultimate goal of this paper is to establish a common and informed reference for
newcomers and experienced researchers willing to approach brain age estimation
by using deep learning models
- Abstract（参考訳）: 長年にわたり、機械学習モデルは脳の年齢を正確に予測するために神経画像データにうまく使われてきた。
健康な脳老化パターンからの逸脱は、加速された脳老化と脳の異常と関連している。
したがって、正確な脳年齢推定を行うには、効率的かつ正確な診断技術が必要である。
この目的のために、さまざまなデータ駆動モデリングメソッドを使用して、過去にいくつかのコントリビューションが報告されている。
近年、深層ニューラルネットワーク(深層学習とも呼ばれる)は、脳年齢推定を含む多様体神経画像研究で広く使われている。
本稿では,神経画像データを用いた脳年齢推定における深層学習の適用に関する文献の包括的分析を行う。
このアプリケーションで使用されるさまざまなディープラーニングアーキテクチャの詳細と分析を行い、その応用を定量的に探求する論文を公開している。
また,脳年齢推定の枠組みについても検討し,その利点と弱点を比較検討した。
最後に,今後の方向性を展望し,今後の研究をめざしてレビューを締めくくった。
本論文の最終的な目標は,深層学習モデルを用いて脳年齢推定に近づこうとする新入者や経験者に対する,共通かつインフォームドな参考文献の確立である。
関連論文リスト
- AGE2HIE: Transfer Learning from Brain Age to Predicting Neurocognitive Outcome for Infant Brain Injury [4.561582228399592]
低酸素性虚血性脳症(HIE)は新生児1,000人中1人から5人に影響を及ぼす。
深層学習モデルを用いたHIE関連神経認知結果の早期かつ正確な予測が重要である。
論文 参考訳（メタデータ） (2024-11-07T21:24:54Z) - SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。
脳年齢はMRIと機械学習技術を用いて予測できる。
我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
論文 参考訳（メタデータ） (2024-06-01T08:58:40Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Does pre-training on brain-related tasks results in better
deep-learning-based brain age biomarkers? [4.114671069824331]
脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。
軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。
論文 参考訳（メタデータ） (2023-07-11T13:16:04Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - 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) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z)
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。