論文の概要: GAMER-MRIL identifies Disability-Related Brain Changes in Multiple
Sclerosis
- arxiv url: http://arxiv.org/abs/2308.07611v1
- Date: Tue, 15 Aug 2023 07:43:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 13:39:55.158296
- Title: GAMER-MRIL identifies Disability-Related Brain Changes in Multiple
Sclerosis
- Title(参考訳): GAMER-MRILによる多発性硬化症における障害関連脳変化の同定
- Authors: Po-Jui Lu, Benjamin Odry, Muhamed Barakovic, Matthias Weigel, Robin
Sandk\"uhler, Reza Rahmanzadeh, Xinjie Chen, Mario Ocampo-Pineda, Jens Kuhle,
Ludwig Kappos, Philippe Cattin, Cristina Granziera
- Abstract要約: 本稿では,全脳定量的MRI(qMRI),畳み込みニューラルネットワーク(CNN),解釈可能性法を用いた新しい総合的アプローチであるGAMER-MRILを提案する。
結果: GAMER-MRILはqMRIを用いて重症障害患者を分類し, 移動機能の完全性に重要な脳領域を同定する。
- 参考スコア(独自算出の注目度): 0.39809034849104935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Identifying disability-related brain changes is important for
multiple sclerosis (MS) patients. Currently, there is no clear understanding
about which pathological features drive disability in single MS patients. In
this work, we propose a novel comprehensive approach, GAMER-MRIL, leveraging
whole-brain quantitative MRI (qMRI), convolutional neural network (CNN), and an
interpretability method from classifying MS patients with severe disability to
investigating relevant pathological brain changes. Methods:
One-hundred-sixty-six MS patients underwent 3T MRI acquisitions. qMRI
informative of microstructural brain properties was reconstructed, including
quantitative T1 (qT1), myelin water fraction (MWF), and neurite density index
(NDI). To fully utilize the qMRI, GAMER-MRIL extended a gated-attention-based
CNN (GAMER-MRI), which was developed to select patch-based qMRI important for a
given task/question, to the whole-brain image. To find out disability-related
brain regions, GAMER-MRIL modified a structure-aware interpretability method,
Layer-wise Relevance Propagation (LRP), to incorporate qMRI. Results: The test
performance was AUC=0.885. qT1 was the most sensitive measure related to
disability, followed by NDI. The proposed LRP approach obtained more
specifically relevant regions than other interpretability methods, including
the saliency map, the integrated gradients, and the original LRP. The relevant
regions included the corticospinal tract, where average qT1 and NDI
significantly correlated with patients' disability scores ($\rho$=-0.37 and
0.44). Conclusion: These results demonstrated that GAMER-MRIL can classify
patients with severe disability using qMRI and subsequently identify brain
regions potentially important to the integrity of the mobile function.
Significance: GAMER-MRIL holds promise for developing biomarkers and increasing
clinicians' trust in NN.
- Abstract(参考訳): 目的:多発性硬化症(MS)患者における障害関連脳変化の同定が重要である。
単一のMS患者に障害を誘発する病的特徴について,現時点では明確な理解が得られていない。
そこで本研究では,重度障害のあるms患者を分類し,関連する病的脳変化を調査するために,全脳定量mri(qmri),畳み込みニューラルネットワーク(cnn),解釈可能性を用いて,新しい包括的アプローチであるgamer-mrilを提案する。
方法: 3T MRI を施行した。
定量的なT1(qT1)、ミエリン水分画(MWF)、神経突起密度指数(NDI)を含む、微細構造脳特性のqMRI情報を再構成した。
qMRIをフル活用するために、GAMER-MRILはゲートアテンションベースのCNN(GAMER-MRI)を拡張した。
障害関連脳領域を見つけるため、GAMER-MRILは構造認識型解釈可能性法、レイヤワイド関連伝播法(LRP)を改良し、qMRIを組み込んだ。
結果: AUC=0.885。
qT1は障害に最も敏感な指標であり、NDIが続く。
提案手法は,サリエンシマップ,積分勾配,元のLPPを含む他の解釈可能性手法よりも,より具体的な領域を得た。
関連領域は皮質脊髄路で,QT1とNDIは患者の障害スコアと有意な相関を示した(\rho$=-0.37, 0.44)。
結語: これらの結果から, GAMER-MRILはqMRIを用いて重度障害患者を分類し, 移動機能の整合性に重要な脳領域を同定できることが示唆された。
意義:GAMER-MRILはバイオマーカーの開発と臨床医のNNへの信頼を高めることを約束している。
関連論文リスト
- Classification of Radiologically Isolated Syndrome and Clinically
Isolated Syndrome with Machine-Learning Techniques [0.0]
多発性硬化症(MS)を示唆する無症候性白質病変の脳におけるMRIによる予期せぬ検出は、放射線学的に孤立した症候群(RIS)と命名された。
本研究の目的は, RIS 患者と CIS 患者を識別する手段として, 機械学習の分類手法を用いて形態計測指標を同定することであった。
論文 参考訳(メタデータ) (2024-01-24T08:49:50Z) - 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) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。
通常の臨床MRIスキャンは通常、低分解能(LR)である
MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。
本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-23T23:04:42Z) - 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) - Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery
MRI Estimation / Synthesis for Multiple Sclerosis [0.0]
多発性硬化症(Multiple Sclerosis、MS)は、慢性進行性神経疾患である。
脳MRI(FLAIR brain magnetic resonance imaging)は、他のMRI法と比較して、MS病変のより優れた可視化と特徴を提供する。
MSの縦断脳FLAIR MRIは、経時的に患者を反復的に画像化することで、臨床医が疾患の進行をモニタリングするための有用な情報を提供する。
様々な時間ラグを伴う将来の脳MRI検査の予測は、健康な老化やアルツハイマー病の構造的変性など、限られた用途でのみ試みられている。
論文 参考訳(メタデータ) (2022-09-09T12:42:00Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳(メタデータ) (2020-06-23T09:20:42Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z) - 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) - Mapping individual differences in cortical architecture using multi-view
representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文 参考訳(メタデータ) (2020-04-01T09:01:25Z)
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。