論文の概要: TriFormer: A Multi-modal Transformer Framework For Mild Cognitive Impairment Conversion Prediction

• arxiv url: http://arxiv.org/abs/2307.07177v1
• Date: Fri, 14 Jul 2023 06:08:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:39:38.390185
• Title: TriFormer: A Multi-modal Transformer Framework For Mild Cognitive Impairment Conversion Prediction
• Title（参考訳）: TriFormer: 軽度認知障害変換予測のためのマルチモーダル変圧器フレームワーク
• Authors: Linfeng Liu, Junyan Lyu, Siyu Liu, Xiaoying Tang, Shekhar S. Chandra, Fatima A. Nasrallah
• Abstract要約: マルチモデルデータを組み込む3つの特殊変換器を備えた新しいフレームワークであるTriformerを提案する。 Triformer は Alzheimer's Disease Neuroimaging Initiative (ANDI)1 と ADNI2 のデータセットで評価されている。
• 参考スコア（独自算出の注目度）: 5.4749395579281215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The prediction of mild cognitive impairment (MCI) conversion to Alzheimer's disease (AD) is important for early treatment to prevent or slow the progression of AD. To accurately predict the MCI conversion to stable MCI or progressive MCI, we propose Triformer, a novel transformer-based framework with three specialized transformers to incorporate multi-model data. Triformer uses I) an image transformer to extract multi-view image features from medical scans, II) a clinical transformer to embed and correlate multi-modal clinical data, and III) a modality fusion transformer that produces an accurate prediction based on fusing the outputs from the image and clinical transformers. Triformer is evaluated on the Alzheimer's Disease Neuroimaging Initiative (ANDI)1 and ADNI2 datasets and outperforms previous state-of-the-art single and multi-modal methods.
• Abstract（参考訳）: 軽度認知障害(mci)からアルツハイマー病(ad)への転換の予測は、adの進行を予防または遅らせるために早期治療に重要である。 安定なMCIやプログレッシブなMCIへのMCI変換を正確に予測するために、3つの特殊変換器を備えた新しいトランスフォーマーベースのフレームワークであるTriformerを提案する。 triformerは、医用スキャンから多視点画像の特徴を抽出するために画像トランスフォーマーを使用し、ii)多モード臨床データを埋め込み、関連付ける臨床トランスフォーマー、iii)画像および臨床トランスからの出力を融合して正確な予測を生成するモダリティ融合トランスフォーマーを使用する。 Triformer は Alzheimer's Disease Neuroimaging Initiative (ANDI)1 と ADNI2 のデータセットで評価され、従来の最先端の単一および多モードの手法よりも優れている。

関連論文リスト

• SMPLer: Taming Transformers for Monocular 3D Human Shape and Pose Estimation [74.07836010698801]
  この問題に対処するために,SMPLベースのトランスフォーマーフレームワーク(SMPLer)を提案する。 SMPLerは、切り離された注意操作とSMPLベースのターゲット表現の2つの重要な要素を組み込んでいる。 SMPLerの既存の3次元人体形状に対する効果とポーズ推定方法の実証実験を行った。
  論文  参考訳（メタデータ） (2024-04-23T17:59:59Z)
• Transformer-Based Classification Outcome Prediction for Multimodal Stroke Treatment [8.686077984641356]
  本研究では,Transformerアーキテクチャと自己保持機構に基づくマルチモーダル融合フレームワークであるMultitransを提案する。 このアーキテクチャは、非コントラストCT(non-contrast Computed tomography)画像の研究と、脳卒中治療中の患者の退院診断報告を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-04-19T05:31:37Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Hybrid-Fusion Transformer for Multisequence MRI [2.082367820170703]
  マルチシーケンスMRI画像分割のためのハイブリッド核融合変換器(HFTrans)を提案する。 マルチモーダルMRIシークエンスの違いを生かし、トランスフォーマー層を用いて各モーダルから抽出した特徴を統合する。 3次元医用セグメンテーションにおけるハイブリッドフュージョン法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-11-02T15:22:49Z)
• Three-Dimensional Medical Image Fusion with Deformable Cross-Attention [10.26573411162757]
  マルチモーダル医療画像融合は、医療画像処理のいくつかの領域において重要な役割を担っている。 従来の融合法は、特徴を組み合わせて融合像を再構成する前に、それぞれのモダリティを独立して処理する傾向にある。 本研究では,これらの制限を是正するために設計された,革新的な教師なしの相互学習融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-10T04:10:56Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• Class-Aware Generative Adversarial Transformers for Medical Image Segmentation [39.14169989603906]
  医用画像セグメンテーションのための新規な生成逆変換器CA-GANformerを提案する。 まず、ピラミッド構造を利用してマルチスケール表現を構築し、マルチスケールのバリエーションを扱う。 次に、意味構造を持つオブジェクトの識別領域をよりよく学習するために、新しいクラス対応トランスフォーマーモジュールを設計する。
  論文  参考訳（メタデータ） (2022-01-26T03:50:02Z)
• Pre-training and Fine-tuning Transformers for fMRI Prediction Tasks [69.85819388753579]
  TFFはトランスフォーマーベースのアーキテクチャと2フェーズのトレーニングアプローチを採用している。 自己教師付きトレーニングは、fMRIスキャンのコレクションに適用され、モデルが3Dボリュームデータの再構成のために訓練される。 その結果、年齢や性別の予測、統合失調症認知など、さまざまなfMRIタスクにおける最先端のパフォーマンスが示された。
  論文  参考訳（メタデータ） (2021-12-10T18:04:26Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)

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。