論文の概要: Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images

• arxiv url: http://arxiv.org/abs/2308.16863v1
• Date: Thu, 31 Aug 2023 17:05:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 13:42:51.166244
• Title: Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images
• Title（参考訳）: 脳mri画像からの多発性硬化症における炎症性疾患活動予測のためのセルフプルーニンググラフニューラルネットワーク
• Authors: Chinmay Prabhakar, Hongwei Bran Li, Johannes C. Paetzold, Timo Loehr, Chen Niu, Mark M\"uhlau, Daniel Rueckert, Benedikt Wiestler, Bjoern Menze
• Abstract要約: 多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。 本稿では,2段階のMS炎症性疾患活動予測手法を提案する。まず3次元セグメンテーションネットワークが病変を検知し,自己管理アルゴリズムが画像の特徴を抽出する。 次に、検出された病変を患者グラフ構築に使用し、その空間的近接に基づいて病変を接続し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。
• 参考スコア（独自算出の注目度）: 10.312631192694479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple Sclerosis (MS) is a severe neurological disease characterized by inflammatory lesions in the central nervous system. Hence, predicting inflammatory disease activity is crucial for disease assessment and treatment. However, MS lesions can occur throughout the brain and vary in shape, size and total count among patients. The high variance in lesion load and locations makes it challenging for machine learning methods to learn a globally effective representation of whole-brain MRI scans to assess and predict disease. Technically it is non-trivial to incorporate essential biomarkers such as lesion load or spatial proximity. Our work represents the first attempt to utilize graph neural networks (GNN) to aggregate these biomarkers for a novel global representation. We propose a two-stage MS inflammatory disease activity prediction approach. First, a 3D segmentation network detects lesions, and a self-supervised algorithm extracts their image features. Second, the detected lesions are used to build a patient graph. The lesions act as nodes in the graph and are initialized with image features extracted in the first stage. Finally, the lesions are connected based on their spatial proximity and the inflammatory disease activity prediction is formulated as a graph classification task. Furthermore, we propose a self-pruning strategy to auto-select the most critical lesions for prediction. Our proposed method outperforms the existing baseline by a large margin (AUCs of 0.67 vs. 0.61 and 0.66 vs. 0.60 for one-year and two-year inflammatory disease activity, respectively). Finally, our proposed method enjoys inherent explainability by assigning an importance score to each lesion for the overall prediction. Code is available at https://github.com/chinmay5/ms_ida.git
• Abstract（参考訳）: 多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。 したがって、炎症性疾患の活動を予測することは、疾患の評価と治療に不可欠である。 しかし、MS病変は脳全体に発生し、患者の形状、大きさ、総数によって異なる。 病変の負荷と位置のばらつきが高いため、機械学習手法が脳全体のMRIスキャンをグローバルに効果的に表現して疾患を評価し予測することは困難である。 技術的には、病変の負荷や空間的近接といった必須のバイオマーカーを組み込むことは非自明である。 我々の研究は、グラフニューラルネットワーク(GNN)を用いてこれらのバイオマーカーを新しいグローバル表現に集約する最初の試みである。 2段階のMS炎症性疾患活動予測手法を提案する。 まず、3Dセグメンテーションネットワークが病変を検出し、自己監督アルゴリズムが画像の特徴を抽出する。 次に、検出された病変を用いて患者グラフを構築する。 病変はグラフのノードとして機能し、第1段階で画像の特徴を抽出して初期化される。 最後に、病変を空間的近接度に基づいて連結し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。 さらに, 予測のために最も重要な病変を自動選択するセルフプルーニング戦略を提案する。 提案法は,1年間および2年間の炎症性疾患活動において,AUCが0.67対0.61,0.66対0.60であった。 最後に,提案手法では,各病変に重要度スコアを割り当てて総合的な予測を行う。 コードはhttps://github.com/chinmay5/ms_ida.gitで入手できる。

関連論文リスト

• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients [0.0]
  2020年に世界で100万人近い頭頸部がんが診断された。 自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。 本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-17T09:32:06Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks [38.27767684024691]
  シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。 提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
  論文  参考訳（メタデータ） (2021-09-11T21:09:50Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• 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)
• Disease State Prediction From Single-Cell Data Using Graph Attention Networks [7.314729122296431]
  多発性硬化症 (Multiple Sclerosis:MS) 患者の大規模データセット上で, 単細胞データから疾患状態を予測するグラフアテンションモデルを提案する。 グラフ畳み込みネットワークやランダム森林分類器など,他の最先端手法よりも高い精度でMSを予測し,92%の精度を達成した。 私たちの知る限りでは、シングルセルデータから病気の状態を予測するためにグラフ注意とディープラーニングを利用する最初の試みである。
  論文  参考訳（メタデータ） (2020-02-14T16:08:30Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。