論文の概要: Brain Anatomy Prior Modeling to Forecast Clinical Progression of
Cognitive Impairment with Structural MRI
- arxiv url: http://arxiv.org/abs/2306.11837v1
- Date: Tue, 20 Jun 2023 18:45:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 16:05:41.011464
- Title: Brain Anatomy Prior Modeling to Forecast Clinical Progression of
Cognitive Impairment with Structural MRI
- Title(参考訳): 構造MRIによる認知障害の進展予測のための脳解剖モデル
- Authors: Lintao Zhang, Jinjian Wu, Lihong Wang, Li Wang, David C. Steffens,
Shijun Qiu, Guy G. Potter and Mingxia Liu
- Abstract要約: 小型MRIを用いた認知障害の臨床経過を予測するための脳解剖前モデル(BAPM)フレームワークを提案する。
BAPMはプリテキストモデルと下流モデルで構成され、脳解剖学を明示的にモデル化するための共有脳解剖誘導エンコーダを備えている。
実験結果から,(1)CI進行予測タスク,(2)MR画像再構成,(3)脳組織分節化におけるBAPMの有効性が示唆された。
- 参考スコア(独自算出の注目度): 34.48405029703635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain structural MRI has been widely used to assess the future progression of
cognitive impairment (CI). Previous learning-based studies usually suffer from
the issue of small-sized labeled training data, while there exist a huge amount
of structural MRIs in large-scale public databases. Intuitively, brain
anatomical structures derived from these public MRIs (even without
task-specific label information) can be used to boost CI progression trajectory
prediction. However, previous studies seldom take advantage of such brain
anatomy prior. To this end, this paper proposes a brain anatomy prior modeling
(BAPM) framework to forecast the clinical progression of cognitive impairment
with small-sized target MRIs by exploring anatomical brain structures.
Specifically, the BAPM consists of a pretext model and a downstream model, with
a shared brain anatomy-guided encoder to model brain anatomy prior explicitly.
Besides the encoder, the pretext model also contains two decoders for two
auxiliary tasks (i.e., MRI reconstruction and brain tissue segmentation), while
the downstream model relies on a predictor for classification. The brain
anatomy-guided encoder is pre-trained with the pretext model on 9,344 auxiliary
MRIs without diagnostic labels for anatomy prior modeling. With this encoder
frozen, the downstream model is then fine-tuned on limited target MRIs for
prediction. We validate the BAPM on two CI-related studies with T1-weighted
MRIs from 448 subjects. Experimental results suggest the effectiveness of BAPM
in (1) four CI progression prediction tasks, (2) MR image reconstruction, and
(3) brain tissue segmentation, compared with several state-of-the-art methods.
- Abstract(参考訳): 脳構造MRIは認知障害(CI)の今後の進展を評価するために広く用いられている。
従来の学習に基づく研究は通常、小さなラベル付きトレーニングデータの問題に悩まされるが、大規模な公開データベースには大量の構造的MRIが存在する。
直感的には、これらの公開MRIから派生した脳解剖学的構造(タスク固有のラベル情報なしでも)は、CI進行軌道予測を促進するために使用できる。
しかし、このような脳解剖学に先立つことはほとんどない。
そこで本研究では,脳の解剖学的構造を探索し,小型のMRIによる認知障害の臨床経過を予測するための脳解剖前モデル(BAPM)フレームワークを提案する。
具体的には、BAPMはプリテキストモデルと下流モデルで構成され、脳解剖学を明示的にモデル化するための共有脳解剖誘導エンコーダを備えている。
エンコーダの他に、プリテキストモデルは2つの補助的なタスク(MRI再構成と脳組織セグメンテーション)のための2つのデコーダを含み、下流モデルは分類のための予測器に依存している。
脳解剖誘導エンコーダは、解剖前モデリングのための診断ラベルなしで、9,344個の補助MRIのプリテキストモデルで事前訓練される。
このエンコーダを凍結すると、下流モデルは予測のために限られたターゲットMRI上で微調整される。
BAPMは448例のT1強調MRIを用いた2つのCI関連研究で検証した。
実験の結果,(1)4つのci進行予測課題,(2)mr画像再構成,(3)脳組織分割におけるbapmの有効性が,いくつかの最先端手法と比較して示唆された。
関連論文リスト
- MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳(メタデータ) (2024-04-11T15:46:42Z) - Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳(メタデータ) (2023-12-31T20:42:52Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳(メタデータ) (2022-03-11T02:00:27Z) - Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class
Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。
新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。
本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文 参考訳(メタデータ) (2021-06-14T12:19:27Z)
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。