論文の概要: Transfer Learning and Class Decomposition for Detecting the Cognitive
Decline of Alzheimer Disease
- arxiv url: http://arxiv.org/abs/2301.13504v1
- Date: Tue, 31 Jan 2023 09:44:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-01 17:06:08.095859
- Title: Transfer Learning and Class Decomposition for Detecting the Cognitive
Decline of Alzheimer Disease
- Title（参考訳）: アルツハイマー病の認知機能低下検出のための転帰学習とクラス分解
- Authors: Maha M. Alwuthaynani, Zahraa S. Abdallah, Raul Santos-Rodriguez
- Abstract要約: 本稿では,SMRI画像からアルツハイマー病を検出するためのクラス分解を用いた転写学習手法を提案する。
提案モデルは,アルツハイマー病 (AD) と軽度認知障害 (MCI) と認知正常 (CN) の分類課題における最先端の成績を,文献から3%の精度で達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early diagnosis of Alzheimer's disease (AD) is essential in preventing the
disease's progression. Therefore, detecting AD from neuroimaging data such as
structural magnetic resonance imaging (sMRI) has been a topic of intense
investigation in recent years. Deep learning has gained considerable attention
in Alzheimer's detection. However, training a convolutional neural network from
scratch is challenging since it demands more computational time and a
significant amount of annotated data. By transferring knowledge learned from
other image recognition tasks to medical image classification, transfer
learning can provide a promising and effective solution. Irregularities in the
dataset distribution present another difficulty. Class decomposition can tackle
this issue by simplifying learning a dataset's class boundaries. Motivated by
these approaches, this paper proposes a transfer learning method using class
decomposition to detect Alzheimer's disease from sMRI images. We use two
ImageNet-trained architectures: VGG19 and ResNet50, and an entropy-based
technique to determine the most informative images. The proposed model achieved
state-of-the-art performance in the Alzheimer's disease (AD) vs mild cognitive
impairment (MCI) vs cognitively normal (CN) classification task with a 3\%
increase in accuracy from what is reported in the literature.
- Abstract（参考訳）: アルツハイマー病(AD)の早期診断は、疾患の進行を防ぐために不可欠である。
そのため,近年,構造磁気共鳴画像(sMRI)などの神経画像データからADを検出することが盛んに研究されている。
深層学習はアルツハイマーの検出において大きな注目を集めている。
しかしながら、畳み込みニューラルネットワークをゼロからトレーニングすることは、より多くの計算時間と大量の注釈付きデータを必要とするため、難しい。
他の画像認識タスクから学んだ知識を医用画像分類に転送することで、伝達学習は有望で効果的なソリューションを提供することができる。
データセットの分布の不規則性もまた困難である。
クラス分解はデータセットのクラス境界の学習を簡単にすることでこの問題に対処できる。
そこで本研究では,SMRI画像からアルツハイマー病を検出するために,クラス分解を用いた転写学習手法を提案する。
我々は、VGG19とResNet50の2つのImageNet学習アーキテクチャとエントロピーに基づく手法を用いて、最も情報に富んだ画像を決定する。
提案モデルは,アルツハイマー病 (AD) と軽度認知障害 (MCI) と認知正常 (CN) の分類課題において,文献で報告された3倍の精度で最先端の成績を達成した。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-22T02:06:05Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models [2.4561590439700076]
本研究では,最新のCNNを特徴とする深層学習技術を活用することで,アルツハイマー病(AD)のMRIデータを分類することに焦点を当てた。
アルツハイマー病は高齢者の認知症の主要な原因であり、徐々に認知機能障害を引き起こす不可逆的な脳疾患である。
将来、この研究は、信号、画像、その他のデータを含む他の種類の医療データを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-05-20T15:44:07Z) - Attention-based Efficient Classification for 3D MRI Image of Alzheimer's
Disease [2.6793044027881865]
本研究では、畳み込みニューラルネットワークに基づくアルツハイマー病検出モデルを提案する。
実験結果から, 使用した2次元融合アルゴリズムは, モデルのトレーニングコストを効果的に向上させることが示された。
論文 参考訳（メタデータ） (2024-01-25T12:18:46Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Detection of Alzheimer's Disease using MRI scans based on Inertia Tensor
and Machine Learning [0.0]
アルツハイマー病(英: Alzheimer's Disease)は、高齢者の神経疾患である。
我々は,慣性テンソル解析と機械学習に基づいて,MRI画像からアルツハイマー病の4つの異なる段階を検出する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-04-26T06:37:14Z) - Classification of Alzheimer's Disease Using the Convolutional Neural
Network (CNN) with Transfer Learning and Weighted Loss [2.191505742658975]
本研究では,Residual Network 18 Layer(ResNet-18)アーキテクチャを用いた畳み込みニューラルネットワーク(CNN)手法を提案する。
モデルの精度は、転送学習、重み付き損失、およびミッシュアクティベーション関数を用いて88.3%である。
論文 参考訳（メタデータ） (2022-07-04T17:09:27Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳（メタデータ） (2021-01-08T06:51:08Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。