Fugu-MT 論文翻訳(概要): Multimodal Contrastive Learning and Tabular Attention for Automated Alzheimer's Disease Prediction

論文の概要: Multimodal Contrastive Learning and Tabular Attention for Automated Alzheimer's Disease Prediction

arxiv url: http://arxiv.org/abs/2308.15469v1
Date: Tue, 29 Aug 2023 17:48:33 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 12:51:38.990143
Title: Multimodal Contrastive Learning and Tabular Attention for Automated Alzheimer's Disease Prediction
Title（参考訳）: アルツハイマー病自動予測のためのマルチモーダルコントラスト学習と表的注意
Authors: Weichen Huang
Abstract要約: 既存のコンピュータビジョンアプローチは、アルツハイマー病データセットの貴重なデータを活用するのに苦労している。画像データと表データのマルチモーダルコントラスト学習のための一般化可能なフレームワークを提案する。このモデルでは83.8%以上の精度が得られており、従来に比べて10%近く向上している。
参考スコア（独自算出の注目度）: 0.5221459608786241
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Alongside neuroimaging such as MRI scans and PET, Alzheimer's disease (AD) datasets contain valuable tabular data including AD biomarkers and clinical assessments. Existing computer vision approaches struggle to utilize this additional information. To address these needs, we propose a generalizable framework for multimodal contrastive learning of image data and tabular data, a novel tabular attention module for amplifying and ranking salient features in tables, and the application of these techniques onto Alzheimer's disease prediction. Experimental evaulations demonstrate the strength of our framework by detecting Alzheimer's disease (AD) from over 882 MR image slices from the ADNI database. We take advantage of the high interpretability of tabular data and our novel tabular attention approach and through attribution of the attention scores for each row of the table, we note and rank the most predominant features. Results show that the model is capable of an accuracy of over 83.8%, almost a 10% increase from previous state of the art.
Abstract（参考訳）: MRIスキャンやPETなどの神経イメージングに加えて、アルツハイマー病(AD)データセットには、ADバイオマーカーや臨床評価を含む貴重な表層データが含まれている。既存のコンピュータビジョンアプローチはこの追加情報を利用するのに苦労する。これらのニーズに対応するために,画像データと表データとのマルチモーダルコントラスト学習のための汎用フレームワーク,テーブルの高度特徴の増幅とランク付けのための新しい表的注意モジュール,アルツハイマー病予測へのこれらの手法の適用を提案する。 ADNIデータベースから882個のMR画像スライスからアルツハイマー病(AD)を検出することで,我々の枠組みの強さを実証した。表データの高い解釈可能性と,新しい表的注意アプローチを活用し,表の各行に対する注意スコアの帰属を通じて,最も重要な特徴を注記し,ランク付けする。結果は、このモデルは83.8%以上精度があり、以前の技術から10%程度の精度で向上していることを示している。

関連論文リスト

Trustworthy Enhanced Multi-view Multi-modal Alzheimer's Disease Prediction with Brain-wide Imaging Transcriptomics Data [9.325994464749998]
脳の転写学は、脳が機能や過程を調節する分子機構に関する洞察を与える。アルツハイマー病(AD)を予測するための既存のマルチモーダルな方法は、主に画像と時折遺伝データに依存しており、しばしば脳の転写学的基盤を無視している。本稿では,広範囲な脳波と画像データを用いたAD診断のための多視点マルチモーダルグラフアテンションフレームワークTMMを提案する。
論文参考訳（メタデータ） (2024-06-21T08:39:24Z)
Alzheimer's Magnetic Resonance Imaging Classification Using Deep and Meta-Learning Models [2.4561590439700076]
本研究では,最新のCNNを特徴とする深層学習技術を活用することで,アルツハイマー病(AD)のMRIデータを分類することに焦点を当てた。アルツハイマー病は高齢者の認知症の主要な原因であり、徐々に認知機能障害を引き起こす不可逆的な脳疾患である。将来、この研究は、信号、画像、その他のデータを含む他の種類の医療データを組み込むように拡張することができる。
論文参考訳（メタデータ） (2024-05-20T15:44:07Z)
Intelligent Diagnosis of Alzheimer's Disease Based on Machine Learning [24.467566885575998]
この研究は、アルツハイマー病神経画像イニシアチブ(ADNI)データセットに基づいている。アルツハイマー病(AD)の早期発見と進行の解明を目的とする。
論文参考訳（メタデータ） (2024-02-13T15:43:30Z)
Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文参考訳（メタデータ） (2023-12-11T21:53:40Z)
Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文参考訳（メタデータ） (2023-11-18T14:37:53Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
An Interpretable Machine Learning Model with Deep Learning-based Imaging Biomarkers for Diagnosis of Alzheimer's Disease [4.304406827494684]
本研究では,EBMの強度と,深層学習に基づく特徴抽出を用いた高次元イメージングデータを組み合わせたフレームワークを提案する。提案手法は,深層学習機能の代わりにボリュームバイオマーカーを用いたESMモデルよりも優れていた。
論文参考訳（メタデータ） (2023-08-15T13:54:50Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
Leveraging Pretrained Representations with Task-related Keywords for Alzheimer's Disease Detection [69.53626024091076]
アルツハイマー病(AD)は高齢者に特に顕著である。事前学習モデルの最近の進歩は、AD検出モデリングを低レベル特徴から高レベル表現にシフトさせる動機付けとなっている。本稿では,高レベルの音響・言語的特徴から,より優れたAD関連手がかりを抽出する,いくつかの効率的な手法を提案する。
論文参考訳（メタデータ） (2023-03-14T16:03:28Z)
Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification [4.179845212740817]
アルツハイマー病診断のための新しい半教師付きハイパーグラフ学習フレームワークを提案する。本フレームワークは,マルチモーダル画像と非画像データ間の高次関係を実現する。我々は、我々の実験を通して、我々のフレームワークがアルツハイマー病診断の現在の技術より優れていることを実証した。
論文参考訳（メタデータ） (2022-04-04T10:31:42Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。