論文の概要: Learning normal asymmetry representations for homologous brain structures

• arxiv url: http://arxiv.org/abs/2306.15811v1
• Date: Tue, 27 Jun 2023 22:03:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 16:25:00.872061
• Title: Learning normal asymmetry representations for homologous brain structures
• Title（参考訳）: 相同性脳構造の正規非対称性表現の学習
• Authors: Duilio Deangeli, Emmanuel Iarussi, Juan Pablo Princich, Mariana Bendersky, Ignacio Larrabide, Jos\'e Ignacio Orlando
• Abstract要約: 本稿では,異常検出と表現学習に基づいて,脳構造における正常な非対称性パターンを学習する新しい手法を提案する。 本フレームワークは,脳構造物の左右半球側の3次元セグメンテーションを,支持ベクトルデータ記述目的を用いて学習した通常の非対称性埋め込み空間にマッピングするために,シームズアーキテクチャを用いている。 健康なサンプルのみを用いてトレーニングすることで、学習された通常の空間の中心への埋め込み距離を測定することで、目に見えないサンプルにおける通常の非対称性パターンからの偏差を定量化することができる。
• 参考スコア（独自算出の注目度）: 0.4574055809542305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although normal homologous brain structures are approximately symmetrical by definition, they also have shape differences due to e.g. natural ageing. On the other hand, neurodegenerative conditions induce their own changes in this asymmetry, making them more pronounced or altering their location. Identifying when these alterations are due to a pathological deterioration is still challenging. Current clinical tools rely either on subjective evaluations, basic volume measurements or disease-specific deep learning models. This paper introduces a novel method to learn normal asymmetry patterns in homologous brain structures based on anomaly detection and representation learning. Our framework uses a Siamese architecture to map 3D segmentations of left and right hemispherical sides of a brain structure to a normal asymmetry embedding space, learned using a support vector data description objective. Being trained using healthy samples only, it can quantify deviations-from-normal-asymmetry patterns in unseen samples by measuring the distance of their embeddings to the center of the learned normal space. We demonstrate in public and in-house sets that our method can accurately characterize normal asymmetries and detect pathological alterations due to Alzheimer's disease and hippocampal sclerosis, even though no diseased cases were accessed for training. Our source code is available at https://github.com/duiliod/DeepNORHA.
• Abstract（参考訳）: 正常な相同性脳構造は定義上ほぼ対称であるが、例えば自然老化による形状の違いもある。 一方、神経変性条件は、この非対称性に独自の変化を誘発し、より発音され、あるいは位置を変化させる。 病的悪化による変化の特定は依然として困難である。 現在の臨床ツールは主観的評価、基本音量測定、疾患特異的ディープラーニングモデルのいずれかに依存している。 本稿では,異常検出と表現学習に基づく相同脳構造の正規非対称性パターンを学習する新しい手法を提案する。 本フレームワークは,脳構造物の左右半球側の3次元セグメンテーションを,支持ベクトルデータ記述目的を用いて学習した通常の非対称性埋め込み空間にマッピングするために,シームズアーキテクチャを用いている。 健全なサンプルのみを使用してトレーニングすることで、埋め込みから学習された正規空間の中心までの距離を計測することで、見当たらないサンプルにおける正規非対称性パターンからの偏差を定量化することができる。 本手法は, アルツハイマー病や海馬硬化症による病態変化を正確に把握し, 正常な非対称性を正確に評価できることを, 公立および社内で実証した。 ソースコードはhttps://github.com/duiliod/deepnorha.comから入手できます。

関連論文リスト

• Quantifying Hippocampal Shape Asymmetry in Alzheimer's Disease Using Optimal Shape Correspondences [1.4201040196058876]
  アルツハイマー病(AD)における海馬萎縮は非対称で空間的に不均一である。 これまでの海馬非対称性の研究は、ポイントレベルでの形状非対称性の局所化を行わない大域的な体積や形状測定に限られていた。 被験者内の左右海馬間の点対応を最適化し, サンプル全体のコンパクトな統計的形状モデルを選択することで, 局所的な形状非対称性を定量化することを提案する。
  論文  参考訳（メタデータ） (2023-12-02T06:19:14Z)
• Addressing Imperfect Symmetry: a Novel Symmetry-Learning Actor-Critic Extension [0.46040036610482665]
  適応対称性 (Adaptive Symmetry, ASL) $x2013$ は不完全対称性に対処するモデル最小化アクター批判拡張である。 ASLは対称性適合成分とモジュラー損失関数から構成され、学習されたポリシーに適応しながら全ての状態に共通な関係を強制する。 その結果, ASLは大きな摂動から回復し, 隠れ対称状態へ一般化できることがわかった。
  論文  参考訳（メタデータ） (2023-09-06T04:47:46Z)
• DisAsymNet: Disentanglement of Asymmetrical Abnormality on Bilateral Mammograms using Self-adversarial Learning [14.482657073587188]
  本稿では,非対称な異常変換器を誘導する自己逆転学習を,非対称な異常と対称なBi-MGに応用した新しいフレームワークであるDisAsymNetを提案する。 提案手法は,3つのパブリックデータセットと1つの社内データセットを用いて実験を行い,異常分類,セグメンテーション,ローカライゼーションタスクにおいて既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-06T11:52:36Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• 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)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• A deep residual learning implementation of Metamorphosis [4.4203363069188475]
  本稿では,推論時の計算時間を劇的に削減するメタモルフィズムの残差学習実装を提案する。 また,提案フレームワークは,位相変化の局所化に関する事前知識を容易に統合できることを示す。 提案手法はBraTS 2021データセット上でテストし,脳腫瘍と画像のアライメントにおいて最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-02-01T15:39:34Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology [33.90454917741234]
  腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
  論文  参考訳（メタデータ） (2021-01-17T20:38:50Z)

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。