論文の概要: OpenNDD: Open Set Recognition for Neurodevelopmental Disorders Detection
- arxiv url: http://arxiv.org/abs/2306.16045v1
- Date: Wed, 28 Jun 2023 09:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 14:54:23.535859
- Title: OpenNDD: Open Set Recognition for Neurodevelopmental Disorders Detection
- Title（参考訳）: OpenNDD:神経発達障害検出のためのオープンセット認識
- Authors: Jiaming Yu, Zihao Guan, Xinyue Chang, Xiumei Liu, Zhenshan Shi,
Changcai Yang, Riqing Chen, Lanyan Xue, Lifang Wei
- Abstract要約: NDDのスクリーニングと検出のための新しいオープンセット認識フレームワークを提案する。
オートエンコーダと逆数点のオープンセット認識を組み合わせて、既知のクラスを正確に識別し、遭遇したことのないクラスを認識する。
異なる被験者間の強い類似性を考慮すると、未知の障害を識別するためのMMSと呼ばれる共同スケーリング手法を提案する。
- 参考スコア（独自算出の注目度）: 3.353076764226497
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neurodevelopmental disorders (NDDs) are a highly prevalent group of disorders
and represent strong clinical behavioral similarities, and that make it very
challenging for accurate identification of different NDDs such as autism
spectrum disorder (ASD) and attention-deficit hyperactivity disorder (ADHD).
Moreover, there is no reliable physiological markers for NDDs diagnosis and it
solely relies on psychological evaluation criteria. However, it is crucial to
prevent misdiagnosis and underdiagnosis by intelligent assisted diagnosis,
which is closely related to the follow-up corresponding treatment. In order to
relieve these issues, we propose a novel open set recognition framework for
NDDs screening and detection, which is the first application of open set
recognition in this field. It combines auto encoder and adversarial reciprocal
points open set recognition to accurately identify known classes as well as
recognize classes never encountered. And considering the strong similarities
between different subjects, we present a joint scaling method called MMS to
distinguish unknown disorders. To validate the feasibility of our presented
method, we design a reciprocal opposition experiment protocol on the hybrid
datasets from Autism Brain Imaging Data Exchange I (ABIDE I) and THE ADHD-200
SAMPLE (ADHD-200) with 791 samples from four sites and the results demonstrate
the superiority on various metrics. Our OpenNDD has achieved promising
performance, where the accuracy is 77.38%, AUROC is 75.53% and the open set
classification rate is as high as 59.43%.
- Abstract（参考訳）: 神経発達障害 (NDD) は、非常に一般的な疾患群であり、強力な臨床行動類似性を示し、自閉症スペクトラム障害 (ASD) や注意欠陥性高活動障害 (ADHD) などの異なるNDDの正確な同定を困難にしている。
さらに,NDDの診断には信頼性のある生理学的マーカーは存在せず,心理的評価基準にのみ依存している。
しかし, 経過観察と近縁な知的補助診断により, 誤診や下垂体手術を予防することが重要である。
そこで本稿では,これらの課題を解消するために,nddsスクリーニングと検出のための新しいオープンセット認識フレームワークを提案する。
オートエンコーダと逆方向の相互認識を組み合わせることで、既知のクラスを正確に識別し、遭遇したことのないクラスを認識する。
また、異なる被験者間の強い類似性を考慮し、未知の障害を識別するためのMMSと呼ばれる共同スケーリング手法を提案する。
提案手法の有効性を検証するために, 自閉症脳画像データ交換装置i (abide i) とadhd-200サンプル (adhd-200) のハイブリッドデータセットに対する相互対向実験プロトコルを, 4地点から771点のサンプルで設計し, 各種指標の優位性を示す。
OpenNDDは77.38%、AUROCは75.53%、オープンセットの分類率は59.43%という有望な性能を達成した。
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) - MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder [4.7377709803078325]
本稿では,従来の診断手法と潜在的な自動化ソリューションのギャップを埋める。
我々は,脳の機能的磁気共鳴画像(fMRI)データの複数のアトラスを統合するマルチアトラスディープアンサンブルネットワーク,MADE-for-ASDを提案する。
提案手法は,ASD診断性能を向上させるための予測ワークフローに,人口統計情報を統合する。
論文 参考訳（メタデータ） (2024-07-09T17:49:23Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - DenseNet and Support Vector Machine classifications of major depressive
disorder using vertex-wise cortical features [2.29023553248714]
大うつ病 (Major depressive disorder, MDD) は、世界中の数億の個人に影響を及ぼす複雑な精神疾患である。
ディープラーニングツールのニューロイメージングデータへの応用は、MDDの診断および予測バイオマーカーを提供する可能性がある。
MDD患者と健康管理 (HC) を線形機械学習による分節的大脳皮質の特徴に基づいて解離させる試みは, 精度が低いことが報告されている。
論文 参考訳（メタデータ） (2023-11-18T11:46:25Z) - Autism Spectrum Disorder Classification in Children based on Structural
MRI Features Extracted using Contrastive Variational Autoencoder [5.2927782596213]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、患者に社会的相互作用能力の重大な障害をもたらす精神疾患である。
機械学習とニューロイメージング技術の発展に伴い、構造MRI(s-MRI)に基づくASDの機械分類に関する研究が盛んに行われている。
5歳未満の被験者に対するASDの機械分類を行う研究はほとんどないが、わずかに予測精度が低い。
論文 参考訳（メタデータ） (2023-07-03T12:46:19Z) - iPAL: A Machine Learning Based Smart Healthcare Framework For Automatic
Diagnosis Of Attention Deficit/Hyperactivity Disorder (ADHD) [15.675307032144064]
この研究は、ADHD200データセット上のニューラルネットワークやSVMモデルのような機械学習技術を組み合わせてADHDを診断する方法を探究する。
本研究では,SVMモデルを用いた表現型データに対してマルチクラス分類を行う。ロジスティック回帰,KNN,AdaBoostなどの他の教師あり学習手法と比較して,表現型データに対して良好な結果が得られた。
論文 参考訳（メタデータ） (2023-02-01T09:29:20Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Learning from Subjective Ratings Using Auto-Decoded Deep Latent
Embeddings [23.777855250882244]
ラベルにおける主観性管理は医用画像解析における根本的な問題である。
自動復号型ディープ潜在埋め込み(addle)を導入する
ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
論文 参考訳（メタデータ） (2021-04-12T15:40:42Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳（メタデータ） (2020-06-11T17:39:07Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。