論文の概要: Interpretable Weighted Siamese Network to Predict the Time to Onset of
Alzheimer's Disease from MRI Images
- arxiv url: http://arxiv.org/abs/2304.07097v2
- Date: Thu, 14 Sep 2023 10:43:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 19:09:13.736436
- Title: Interpretable Weighted Siamese Network to Predict the Time to Onset of
Alzheimer's Disease from MRI Images
- Title（参考訳）: MRI画像によるアルツハイマー病発症時期予測のための解釈可能な重み付きシームズネットワーク
- Authors: Misgina Tsighe Hagos, Niamh Belton, Ronan P. Killeen, Kathleen M.
Curran, Brian Mac Namee
- Abstract要約: 患者がADステージにどの程度近づいたかを予測するために,脳画像分類を日常的な分類タスクとして再編成した。
我々はアルツハイマー病神経画像イニシアチブデータセットから進行性MCI患者を選定した。
我々は、MRI脳画像に基づいて、AD開始時刻を予測するために、シームズネットワークモデルを訓練する。
- 参考スコア（独自算出の注目度）: 5.10606091329134
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's Disease (AD) is a progressive disease preceded by Mild Cognitive
Impairment (MCI). Early detection of AD is crucial for making treatment
decisions. However, most of the literature on computer-assisted detection of AD
focuses on classifying brain images into one of three major categories:
healthy, MCI, and AD; or categorizing MCI patients into (1) progressive: those
who progress from MCI to AD at a future examination time, and (2) stable: those
who stay as MCI and never progress to AD. This misses the opportunity to
accurately identify the trajectory of progressive MCI patients. In this paper,
we revisit the brain image classification task for AD identification and
re-frame it as an ordinal classification task to predict how close a patient is
to the severe AD stage. To this end, we select progressive MCI patients from
the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset and construct an
ordinal dataset with a prediction target that indicates the time to progression
to AD. We train a Siamese network model to predict the time to onset of AD
based on MRI brain images. We also propose a Weighted variety of Siamese
network and compare its performance to a baseline model. Our evaluations show
that incorporating a weighting factor to Siamese networks brings considerable
performance gain at predicting how close input brain MRI images are to
progressing to AD. Moreover, we complement our results with an interpretation
of the learned embedding space of the Siamese networks using a model
explainability technique.
- Abstract（参考訳）: アルツハイマー病(英: alzheimer's disease)は、軽度認知障害(mci)に先行する進行性疾患である。
ADの早期検出は治療決定に不可欠である。
しかし、コンピュータ支援によるADの検出に関する文献の多くは、脳画像を健康、MCI、ADの3つの主要なカテゴリの1つに分類することに焦点を当てている。
これは進行性mci患者の軌道を正確に特定する機会を逃す。
本稿では、AD鑑定のための脳画像分類タスクを再検討し、それを順序分類タスクとして再編成し、重症ADステージにどれくらい近いかを予測する。
この目的のために、アルツハイマー病神経画像イニシアチブ(ADNI)データセットから進行性MCI患者を選抜し、ADへの進行時間を示す予測ターゲットを備えた順序的データセットを構築する。
我々は、MRI脳画像に基づいて、AD開始時刻を予測するために、シームズネットワークモデルを訓練する。
また,Siameseネットワークの重み付き多様性を提案し,その性能をベースラインモデルと比較する。
評価の結果,Siamese ネットワークに重み付け因子を組み込むことで,入力脳MRI画像が AD にどれだけ近づいたかを予測する上で,かなりの性能向上が得られた。
さらに,モデル説明可能性手法を用いて,シアムネットワークの学習埋め込み空間を解釈することで,この結果を補完する。
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) - GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI [5.355943545567233]
アルツハイマー病(英語: Alzheimer's Disease、AD)は、軽度認知障害(MCI)から進行する可逆性神経変性疾患である。
生成特徴抽出(GFE)に基づく分類器GFE-Mambaを紹介する。
評価尺度、MRI、PETのデータを統合し、より深いマルチモーダル融合を可能にする。
GFE-MambaモデルがMCIからADへの変換予測に有効であることを示す。
論文 参考訳（メタデータ） (2024-07-22T15:22:33Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。
構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。
本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - LAVA: Granular Neuron-Level Explainable AI for Alzheimer's Disease
Assessment from Fundus Images [15.02513291695459]
アルツハイマー病(英語: Alzheimer's Disease、AD)は、進行性神経変性疾患であり、認知症の主要な原因である。
網膜は、脳と解剖学的に結びついているため、AD検出の診断部位として仮説化されている。
我々は、グラニュラーニューロンレベル説明器(LAVA)と呼ばれる新しいモデルに依存しない説明可能なAIフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-06T18:43:10Z) - Attention-Guided Autoencoder for Automated Progression Prediction of
Subjective Cognitive Decline with Structural MRI [25.149830893850005]
本稿では,効率的なクロスドメイン適応のためのアテンション誘導型オートエンコーダモデルを提案する。
1)異なるドメインの共有部分空間表現を学習するための特徴符号化モジュール、2)脳のアトラスで定義された関心の識別脳領域を自動的に特定するための注意モジュール、3)元の入力を再構成するための復号モジュール、4)脳疾患の識別のための分類モジュールからなる。
提案したモデルは、CPU上でわずか5～10秒でトレーニングとテストが簡単で、小さなデータセットを持つ医療タスクに適している。
論文 参考訳（メタデータ） (2022-06-24T19:35:56Z) - Predicting conversion of mild cognitive impairment to Alzheimer's
disease [5.1680226874942985]
我々は,日常的な解剖学的MRIから構造的脳ネットワークを生成するための,自己指導型コントラスト学習手法を開発した。
生成された脳ネットワークを用いて、MCI-AD変換を予測するための学習フレームワークを訓練する。
論文 参考訳（メタデータ） (2022-03-08T14:13:54Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - 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。