論文の概要: Brain Structure Ages -- A new biomarker for multi-disease classification

• arxiv url: http://arxiv.org/abs/2304.06591v1
• Date: Thu, 13 Apr 2023 14:56:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-14 14:08:29.886179
• Title: Brain Structure Ages -- A new biomarker for multi-disease classification
• Title（参考訳）: 脳構造年代 -- 多段階分類のための新しいバイオマーカー
• Authors: Huy-Dung Nguyen, Micha\"el Cl\'ement, Boris Mansencal and Pierrick Coup\'e
• Abstract要約: 構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。 脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Age is an important variable to describe the expected brain's anatomy status across the normal aging trajectory. The deviation from that normative aging trajectory may provide some insights into neurological diseases. In neuroimaging, predicted brain age is widely used to analyze different diseases. However, using only the brain age gap information (\ie the difference between the chronological age and the estimated age) can be not enough informative for disease classification problems. In this paper, we propose to extend the notion of global brain age by estimating brain structure ages using structural magnetic resonance imaging. To this end, an ensemble of deep learning models is first used to estimate a 3D aging map (\ie voxel-wise age estimation). Then, a 3D segmentation mask is used to obtain the final brain structure ages. This biomarker can be used in several situations. First, it enables to accurately estimate the brain age for the purpose of anomaly detection at the population level. In this situation, our approach outperforms several state-of-the-art methods. Second, brain structure ages can be used to compute the deviation from the normal aging process of each brain structure. This feature can be used in a multi-disease classification task for an accurate differential diagnosis at the subject level. Finally, the brain structure age deviations of individuals can be visualized, providing some insights about brain abnormality and helping clinicians in real medical contexts.
• Abstract（参考訳）: 年齢は、正常な老化軌跡を越えて期待される脳の解剖状態を記述する上で重要な変数である。 その規範的老化軌跡からの逸脱は、神経疾患に関する洞察を与えるかもしれない。 神経イメージングでは、予測された脳年齢が様々な疾患を分析するために広く使用される。 しかし、脳年齢差情報(年代と推定年齢の差)のみを用いることで、疾患分類の問題に対して十分な情報を得ることができない。 本稿では,脳構造年齢を構造的磁気共鳴画像を用いて推定することにより,大脳年齢の概念を拡張することを提案する。 この目的のために、深層学習モデルのアンサンブルを用いて、まず3次元老化マップ (\ie voxel-wise age estimation) を推定する。 そして、最終的な脳構造年代を得るために3dセグメンテーションマスクを用いる。 このバイオマーカーはいくつかの状況で使用できる。 まず、人口レベルでの異常検出を目的として、脳年齢を正確に推定することができる。 このような状況下では,本手法はいくつかの最先端手法より優れている。 第二に、脳構造年齢は、各脳構造の正常な老化過程からの逸脱を計算するために用いられる。 この特徴は、被験者レベルで正確な鑑別診断を行うために、マルチディセーゼ分類タスクで使用できる。 最後に、個人の脳構造年齢差を可視化し、脳の異常についての洞察を与え、臨床医が実際の医学的文脈で助ける。

関連論文リスト

• Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
  本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。 次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。 提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
  論文  参考訳（メタデータ） (2024-03-02T16:13:06Z)
• Ordinal Classification with Distance Regularization for Robust Brain Age Prediction [25.555190119033615]
  老化はアルツハイマー病(AD)の主要な危険因子の1つである 脳の年齢は、加齢による構造変化を反映した脳画像から導かれる指標であり、ADの発症を識別し、疾患リスクを評価し、標的とする介入を計画する可能性がある。 磁気共鳴画像(MRI)スキャンによる脳年齢予測のためのディープラーニングに基づく回帰手法は,近年,非常に精度が高い。 これらの手法は平均効果に固有の回帰傾向を受けており、体系的な偏りが生じ、若年者では脳年齢が過大評価され、老年者では過小評価される。
  論文  参考訳（メタデータ） (2023-10-25T20:39:07Z)
• 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)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)
• 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)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Bidirectional Modeling and Analysis of Brain Aging with Normalizing Flows [0.029166550202547086]
  我々の正規化フロー脳老化モデルでは、脳の老化を正確に予測し、老化特異的な脳形態学テンプレートを生成できることが示されている。 この研究は、3次元脳形態学と強力な正規化フローを持つ臨床変数との間の機能的関係の統一モデリングへのステップである。
  論文  参考訳（メタデータ） (2020-11-26T22:23:48Z)
• 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)

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。