論文の概要: Interpretable simultaneous localization of MRI corpus callosum and
classification of atypical Parkinsonian disorders using YOLOv5
- arxiv url: http://arxiv.org/abs/2306.00473v1
- Date: Thu, 1 Jun 2023 09:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-02 17:22:41.709890
- Title: Interpretable simultaneous localization of MRI corpus callosum and
classification of atypical Parkinsonian disorders using YOLOv5
- Title（参考訳）: YOLOv5を用いたMRIコーパスカロサムの同時同時局在と非定型パーキンソン病の分類
- Authors: Vamshi Krishna Kancharla, Debanjali Bhattacharya, Neelam Sinha,
Jitender Saini, Pramod Kumar Pal, Sandhya M
- Abstract要約: コーパス・カロサム(CC)は主要な白色物質繊維であり、半球間通信を可能にする。
本研究は、不定型パーキンソン病(PD)と健康管理(HC)を区別するYOLOv5ベースのCC検出フレームワークの可能性を提案する。
- 参考スコア（独自算出の注目度）: 0.9236074230806579
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Structural MRI(S-MRI) is one of the most versatile imaging modality that
revolutionized the anatomical study of brain in past decades. The corpus
callosum (CC) is the principal white matter fibre tract, enabling all kinds of
inter-hemispheric communication. Thus, subtle changes in CC might be associated
with various neurological disorders. The present work proposes the potential of
YOLOv5-based CC detection framework to differentiate atypical Parkinsonian
disorders (PD) from healthy controls (HC). With 3 rounds of hold-out
validation, mean classification accuracy of 92% is obtained using the proposed
method on a proprietary dataset consisting of 20 healthy subjects and 20 cases
of APDs, with an improvement of 5% over SOTA methods (CC morphometry and visual
texture analysis) that used the same dataset. Subsequently, in order to
incorporate the explainability of YOLO predictions, Eigen CAM based heatmap is
generated for identifying the most important sub-region in CC that leads to the
classification. The result of Eigen CAM showed CC mid-body as the most
distinguishable sub-region in classifying APDs and HC, which is in-line with
SOTA methodologies and the current prevalent understanding in medicine.
- Abstract（参考訳）: 構造MRI(Structure MRI、S-MRI)は、過去数十年で脳の解剖学的研究に革命をもたらした最も多彩な画像モダリティの1つである。
コーパスカロサム(CC)は主要な白色物質繊維であり、あらゆる種類の半球間通信を可能にする。
したがって、ccの微妙な変化は様々な神経疾患と関連している可能性がある。
本研究は、不定型パーキンソン病(PD)と健康制御(HC)を区別するYOLOv5ベースのCC検出フレームワークの可能性を提案する。
3ラウンドのホールドアウト検証により,20名の健常者と20名のAPDからなるプロプライエタリなデータセットを用いて,92%の平均分類精度を求め,同じデータセットを用いたSOTA法(CC形態計測,視覚テクスチャ解析)よりも5%向上した。
その後, YOLO予測の可否を説明するために, Eigen CAMをベースとしたヒートマップが生成され, 分類に繋がるCCの最も重要なサブリージョンを同定する。
apdsとhcの分類において,cc中間体は最も識別可能なサブ領域であり,soma法や医学における現在一般的な理解と並んでいる。
関連論文リスト
- Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。
本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。
この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
論文 参考訳（メタデータ） (2024-10-14T14:32:05Z) - Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment [2.474908349649168]
軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。
本研究では,6種類の被験者の脳ネットワークに関連する神経変性のトポロジカルな変化を調べるための,新しい微粒化分析法を提案する。
論文 参考訳（メタデータ） (2024-08-28T09:01:55Z) - An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。
提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。
勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
論文 参考訳（メタデータ） (2024-03-29T20:32:30Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳（メタデータ） (2024-01-29T12:56:11Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Early Disease Stage Characterization in Parkinson's Disease from
Resting-state fMRI Data Using a Long Short-term Memory Network [6.487961959149217]
パーキンソン病(英: Parkinson's disease、PD)は、ホーン病とイェール病の5段階からなる、一般的で複雑な神経変性疾患である。
早期の第1期と第2期を分類し、脳機能の変化を検出することは困難である。
本稿では,PDの初期段階を特徴付けるために,LSTM(Long Short-term memory)ネットワークを提案する。
論文 参考訳（メタデータ） (2022-02-11T18:34:11Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - MAGIC: Multi-scale Heterogeneity Analysis and Clustering for Brain
Diseases [3.955454029331185]
マルチスケールクラスタリングを活用することにより,病気の多様性を明らかにする新しい手法MAGICを提案する。
シミュレーションした異種神経解剖学的データを用いてMAGICを検証するとともに、アルツハイマー病(AD)の異種性を探究して臨床応用の可能性を示す。
以上の結果より,大脳皮質大萎縮と大脳皮質大萎縮の2つの亜型は,海馬の微細萎縮と大脳皮質大萎縮の2つからなることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-01T23:42:37Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。