論文の概要: Autism Spectrum Disorder Classification in Children based on Structural
MRI Features Extracted using Contrastive Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2307.00976v1
- Date: Mon, 3 Jul 2023 12:46:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 13:10:05.312236
- Title: Autism Spectrum Disorder Classification in Children based on Structural
MRI Features Extracted using Contrastive Variational Autoencoder
- Title（参考訳）: コントラスト変動オートエンコーダを用いたMRI画像の特徴に基づく小児の自閉症スペクトラム障害分類
- Authors: Ruimin Ma, Ruitao Xie, Yanlin Wang, Jintao Meng, Yanjie Wei, Wenhui
Xi, Yi Pan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.2927782596213
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Autism spectrum disorder (ASD) is a highly disabling mental disease that
brings significant impairments of social interaction ability to the patients,
making early screening and intervention of ASD critical. With the development
of the machine learning and neuroimaging technology, extensive research has
been conducted on machine classification of ASD based on structural MRI
(s-MRI). However, most studies involve with datasets where participants' age
are above 5. Few studies conduct machine classification of ASD for participants
below 5-year-old, but, with mediocre predictive accuracy. In this paper, we
push the boundary of predictive accuracy (above 0.97) of machine classification
of ASD in children (age range: 0.92-4.83 years), based on s-MRI features
extracted using contrastive variational autoencoder (CVAE). 78 s-MRI, collected
from Shenzhen Children's Hospital, are used for training CVAE, which consists
of both ASD-specific feature channel and common shared feature channel. The ASD
participants represented by ASD-specific features can be easily discriminated
from TC participants represented by the common shared features, leading to high
classification accuracy. In case of degraded predictive accuracy when data size
is extremely small, a transfer learning strategy is proposed here as a
potential solution. Finally, we conduct neuroanatomical interpretation based on
the correlation between s-MRI features extracted from CVAE and surface area of
different cortical regions, which discloses potential biomarkers that could
help target treatments of ASD in the future.
- Abstract（参考訳）: 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し、早期スクリーニングとASDの介入を重要視する精神疾患である。
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。
しかし、ほとんどの研究は、参加者の年齢が5歳以上のデータセットに関係している。
5歳未満の被験者に対してasdの機械分類を行う研究は少ないが、予測精度は中程度である。
本稿では,コントラスト変動オートエンコーダ(cvae)を用いて抽出したs-mriの特徴に基づいて,小児のasdの機械分類の予測精度の境界(年齢: 0.92-4.83年)をプッシュする。
深セン小児病院から収集した 78 s-MRI は ASD 特有の特徴チャネルと共通の特徴チャネルからなる CVAE の訓練に用いられている。
ASD特有の特徴で表されるASD参加者は、共通の共有特徴で表されるTC参加者と容易に区別でき、高い分類精度が得られる。
データサイズが極端に小さい場合の予測精度が低下した場合、潜在的な解決策として転送学習戦略を提案する。
最後に、CVAEから抽出したs-MRI特徴と異なる皮質領域の表面積との相関に基づいて神経解剖学的解釈を行い、将来ASDの標的治療に役立つ可能性のあるバイオマーカーを開示する。
関連論文リスト
- AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Autism spectrum disorder classification based on interpersonal neural
synchrony: Can classification be improved by dyadic neural biomarkers using
unsupervised graph representation learning? [0.0]
ASDの中核的な側面の神経機構を明示的にマッピングする教師なしグラフ表現を導入する。
機能近赤外分光データによる最初の結果は、タスクに依存しない、解釈可能なグラフ表現の潜在的な予測能力を示している。
論文 参考訳（メタデータ） (2022-08-17T07:10:57Z) - Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文 参考訳（メタデータ） (2022-02-21T04:37:25Z) - 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) - 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) - Detecting Autism Spectrum Disorder using Machine Learning [3.2861753207533937]
逐次最小最適化(SMO)ベースのサポートベクトルマシン(SVM)分類器は、他のすべてのベンチマーク機械学習アルゴリズムより優れている。
Relief Attributesアルゴリズムは、ASDデータセットで最も重要な属性を特定するのに最適である。
論文 参考訳（メタデータ） (2020-09-30T08:33:12Z) - 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) - Machine Learning Methods for Brain Network Classification: Application
to Autism Diagnosis using Cortical Morphological Networks [0.0]
我々はクラウドソーシングを利用して、自閉症スペクトラム障害(ASD)診断に応用した神経疾患診断のための機械学習パイプラインのプールを構築する。
第1位チームは70%の精度、72.5%の感度、67.5%の特異性を達成し、第2位チームはそれぞれ63.8%、62.5%、65%を達成した。
論文 参考訳（メタデータ） (2020-04-28T06:23:29Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
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。