論文の概要: Does pre-training on brain-related tasks results in better deep-learning-based brain age biomarkers?

• arxiv url: http://arxiv.org/abs/2307.05241v1
• Date: Tue, 11 Jul 2023 13:16:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 14:53:19.019535
• Title: Does pre-training on brain-related tasks results in better deep-learning-based brain age biomarkers?
• Title（参考訳）: 脳関連タスクの事前トレーニングは、より深い学習に基づく脳年齢バイオマーカーをもたらすか?
• Authors: Bruno Machado Pacheco, Victor Hugo Rocha de Oliveira, Augusto Braga Fernandes Antunes, Saulo Domingos de Souza Pedro, and Danilo Silva
• Abstract要約: 脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。 軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。
• 参考スコア（独自算出の注目度）: 4.114671069824331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain age prediction using neuroimaging data has shown great potential as an indicator of overall brain health and successful aging, as well as a disease biomarker. Deep learning models have been established as reliable and efficient brain age estimators, being trained to predict the chronological age of healthy subjects. In this paper, we investigate the impact of a pre-training step on deep learning models for brain age prediction. More precisely, instead of the common approach of pre-training on natural imaging classification, we propose pre-training the models on brain-related tasks, which led to state-of-the-art results in our experiments on ADNI data. Furthermore, we validate the resulting brain age biomarker on images of patients with mild cognitive impairment and Alzheimer's disease. Interestingly, our results indicate that better-performing deep learning models in terms of brain age prediction on healthy patients do not result in more reliable biomarkers.
• Abstract（参考訳）: 神経画像データを用いた脳年齢予測は、脳の健康と老化の成功、および疾患バイオマーカーの指標として大きな可能性を示している。 深層学習モデルは信頼性が高く効率的な脳年齢推定器として確立され、健康な被験者の時系列年齢を予測するために訓練されている。 本稿では,脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。 より正確には、自然画像分類の事前学習の一般的なアプローチに代えて、脳関連課題の事前学習を提案し、adniデータ実験における最新結果を導いた。 さらに,軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。 興味深いことに、健康な患者の脳年齢予測において、より優れた深層学習モデルがより信頼性の高いバイオマーカーをもたらすことが示唆されている。

関連論文リスト

• AGE2HIE: Transfer Learning from Brain Age to Predicting Neurocognitive Outcome for Infant Brain Injury [4.561582228399592]
  低酸素性虚血性脳症(HIE)は新生児1,000人中1人から5人に影響を及ぼす。 深層学習モデルを用いたHIE関連神経認知結果の早期かつ正確な予測が重要である。
  論文  参考訳（メタデータ） (2024-11-07T21:24:54Z)
• Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
  本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。 次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。 提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
  論文  参考訳（メタデータ） (2024-03-02T16:13:06Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• Deep Learning for Brain Age Estimation: A Systematic Review [41.292656643344294]
  機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。 ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
  論文  参考訳（メタデータ） (2022-12-07T15:19:59Z)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
  本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。 予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。 本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
  論文  参考訳（メタデータ） (2021-08-11T18:08:09Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。