論文の概要: Age-Stratified Differences in Morphological Connectivity Patterns in
ASD: An sMRI and Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2308.07356v1
- Date: Mon, 14 Aug 2023 12:11:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 15:20:17.751225
- Title: Age-Stratified Differences in Morphological Connectivity Patterns in
ASD: An sMRI and Machine Learning Approach
- Title（参考訳）: ASDにおける形態的結合パターンの年齢差:sMRIと機械学習によるアプローチ
- Authors: Gokul Manoj, Sandeep Singh Sengar, Jac Fredo Agastinose Ronickom
- Abstract要約: 本研究の目的は,形態的特徴 (MF) と形態的接続性 (MCF) を用いたASD分類における年齢群の影響を比較することである。
6歳と11歳のグループでは、RFを用いたMCFが他のグループよりも優れており、それぞれ75.8%、83.1%、86%、80.4%の精度でF1スコア、リコール、精度が得られた。
- 参考スコア（独自算出の注目度）: 1.3436368800886478
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Age biases have been identified as an essential factor in the
diagnosis of ASD. The objective of this study was to compare the effect of
different age groups in classifying ASD using morphological features (MF) and
morphological connectivity features (MCF). Methods: The structural magnetic
resonance imaging (sMRI) data for the study was obtained from the two publicly
available databases, ABIDE-I and ABIDE-II. We considered three age groups, 6 to
11, 11 to 18, and 6 to 18, for our analysis. The sMRI data was pre-processed
using a standard pipeline and was then parcellated into 148 different regions
according to the Destrieux atlas. The area, thickness, volume, and mean
curvature information was then extracted for each region which was used to
create a total of 592 MF and 10,878 MCF for each subject. Significant features
were identified using a statistical t-test (p<0.05) which was then used to
train a random forest (RF) classifier. Results: The results of our study
suggested that the performance of the 6 to 11 age group was the highest,
followed by the 6 to 18 and 11 to 18 ages in both MF and MCF. Overall, the MCF
with RF in the 6 to 11 age group performed better in the classification than
the other groups and produced an accuracy, F1 score, recall, and precision of
75.8%, 83.1%, 86%, and 80.4%, respectively. Conclusion: Our study thus
demonstrates that morphological connectivity and age-related diagnostic model
could be an effective approach to discriminating ASD.
- Abstract（参考訳）: 目的: ASD の診断において,年齢バイアスが重要な要因として認識されている。
本研究の目的は,形態的特徴 (MF) と形態的接続性 (MCF) を用いたASD分類における年齢群の影響を比較することである。
方法: ABIDE-I と ABIDE-II の2つの公開データベースから,この研究のための構造磁気共鳴画像(sMRI)データを得た。
分析では,6歳から11歳,11歳,18歳,18歳という3つの年齢群を検討した。
sMRIデータは標準パイプラインを使用して前処理され、Destrieux atlasによると148の異なる領域に解析された。
次に,各領域について,面積,厚さ,体積,平均曲率情報を抽出し,各被験者について合計592mfと10,878mcfを作成した。
統計的t-test (p<0.05) を用いて有意な特徴を同定し, ランダム森林分類器 (RF) を訓練した。
結果: MF, MCFともに6歳から11歳までの成績が最も高かったのに対し, MF, MCFともに6歳から18歳までの成績が高かった。
6歳児群と11歳児群でRFを併用したMCFは、他の群より分類が優れ、それぞれ75.8%、83.1%、86%、80.4%の精度でF1スコア、リコール、精度が得られた。
結論: 本研究は, 形態的接続性および年齢関連診断モデルが, ASD の識別に有効であることを示す。
関連論文リスト
- Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy [0.0]
本研究の目的は, 小児上腹部腫瘍におけるOAR (delineating organs-at-risk) のCTによる多臓器分割モデルを構築することであった。
Dice similarity Coefficient (DSC) 95% Hausdorff Distance (HD95) および平均表面距離 (MSD) を用いて評価した。
Model-PMC-UMCUは9つのOARのうち、0.95以上であり、脾臓と心臓は0.90から0.95の範囲であった。
胃と膵のDSC値は0.90未満であった。
論文 参考訳（メタデータ） (2024-11-01T13:54:31Z) - Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment [2.474908349649168]
軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。
本研究では,6種類の被験者の脳ネットワークに関連する神経変性のトポロジカルな変化を調べるための,新しい微粒化分析法を提案する。
論文 参考訳（メタデータ） (2024-08-28T09:01:55Z) - 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) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Comparative study of machine learning and deep learning methods on ASD
classification [4.826988182025783]
自閉症データセットは、自閉症と健康なグループの違いを特定するために研究される。
本モデルでは,多地点ABIDE Iデータを用いて,自閉症患者と健常患者を71%の精度で分類できる。
論文 参考訳（メタデータ） (2022-09-18T16:39:10Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Machine Learning Methods for Identifying Atrial Fibrillation Cases and
Their Predictors in Patients With Hypertrophic Cardiomyopathy: The
HCM-AF-Risk Model [0.3904666078483698]
肥大型心筋症 (HCM) は心房細動の頻度が高く, 脳卒中リスクが高い。
我々は、データ駆動型機械学習に基づく手法を開発し応用し、AFの事例を識別する。
我々のモデルは,HCM における AF 症例の同定のための,最初の機械学習に基づく手法である。
論文 参考訳（メタデータ） (2021-09-19T20:00:49Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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)
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。