論文の概要: Enhancing Automated and Early Detection of Alzheimer's Disease Using
Out-Of-Distribution Detection
- arxiv url: http://arxiv.org/abs/2309.01312v1
- Date: Mon, 4 Sep 2023 01:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 20:13:18.791043
- Title: Enhancing Automated and Early Detection of Alzheimer's Disease Using
Out-Of-Distribution Detection
- Title(参考訳): Out-Of-Distribution Detection を用いたアルツハイマー病の自動化と早期診断
- Authors: Audrey Paleczny, Shubham Parab, and Maxwell Zhang
- Abstract要約: 65歳以上の高齢者の10.7%以上がアルツハイマー病に罹患している。
早期診断と治療は、ほとんどのアルツハイマー患者は、その効果が有害になるまでそれを持つことに気づいていないため、極めて重要である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: More than 10.7% of people aged 65 and older are affected by Alzheimer's
disease. Early diagnosis and treatment are crucial as most Alzheimer's patients
are unaware of having it until the effects become detrimental. AI has been
known to use magnetic resonance imaging (MRI) to diagnose Alzheimer's. However,
models which produce low rates of false diagnoses are critical to prevent
unnecessary treatments. Thus, we trained supervised Random Forest models with
segmented brain volumes and Convolutional Neural Network (CNN) outputs to
classify different Alzheimer's stages. We then applied out-of-distribution
(OOD) detection to the CNN model, enabling it to report OOD if
misclassification is likely, thereby reducing false diagnoses. With an accuracy
of 98% for detection and 95% for classification, our model based on CNN results
outperformed our segmented volume model, which had detection and classification
accuracies of 93% and 87%, respectively. Applying OOD detection to the CNN
model enabled it to flag brain tumor images as OOD with 96% accuracy and
minimal overall accuracy reduction. By using OOD detection to enhance the
reliability of MRI classification using CNNs, we lowered the rate of false
positives and eliminated a significant disadvantage of using Machine Learning
models for healthcare tasks. Source code available upon request.
- Abstract(参考訳): 65歳以上の高齢者の10.7%以上がアルツハイマー病に罹患している。
早期の診断と治療は、ほとんどのアルツハイマー病患者は、効果が有害になるまでそれを持つことに気づいていないため、重要である。
AIはアルツハイマー病の診断にMRI(MRI)を使用していることが知られている。
しかし, 誤診率の低いモデルでは, 不要な治療の予防が重要である。
そこで我々は,脳分割量と畳み込みニューラルネットワーク(cnn)出力を用いた教師付きランダムフォレストモデルを訓練し,アルツハイマー病の病期を分類した。
CNNモデルにOOD(out-of-distribution)検出を適用し,誤分類の可能性が高ければOODを報告し,誤診断の低減を図る。
また, 検出精度98%, 分類率95%では, 検出精度93%, 分類精度87%のセグメンテッドボリュームモデルよりも優れていた。
CNNモデルにOOD検出を適用することで、脳腫瘍画像を96%の精度で、全体的な精度を最小限に抑えることができる。
CNNを用いたMRI分類の信頼性を高めるためにOOD検出を用いることで、偽陽性率を下げ、医療タスクに機械学習モデルを使用することの重大な欠点を排除した。
要求に応じて利用可能なソースコード。
関連論文リスト
- Hybridized Convolutional Neural Networks and Long Short-Term Memory for
Improved Alzheimer's Disease Diagnosis from MRI Scans [2.621434923709917]
本研究では,CNNモデルの特徴抽出機能とLSTMモデルの検出機能を組み合わせたハイブリッドモデルを提案する。
ADNIデータセットを利用したハイブリッドモデルのトレーニング。
モデルの精度は98.8%、感度は100%、特異度は76%に達した。
論文 参考訳(メタデータ) (2024-03-08T14:34:32Z) - Exploiting prompt learning with pre-trained language models for
Alzheimer's Disease detection [70.86672569101536]
アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。
本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
論文 参考訳(メタデータ) (2022-10-29T09:18:41Z) - Classification of Alzheimer's Disease Using the Convolutional Neural
Network (CNN) with Transfer Learning and Weighted Loss [2.191505742658975]
本研究では,Residual Network 18 Layer(ResNet-18)アーキテクチャを用いた畳み込みニューラルネットワーク(CNN)手法を提案する。
モデルの精度は、転送学習、重み付き損失、およびミッシュアクティベーション関数を用いて88.3%である。
論文 参考訳(メタデータ) (2022-07-04T17:09:27Z) - 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) - Predicting Alzheimer's Disease Using 3DMgNet [2.97983501982132]
3DMgNetはアルツハイマー病(AD)を診断するためのマルチグリッドと畳み込みニューラルネットワークの統合フレームワークである
このモデルはADとNCの分類で92.133%の精度を達成し、モデルのパラメータを大幅に削減した。
論文 参考訳(メタデータ) (2022-01-12T09:08:08Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳(メタデータ) (2021-10-01T23:01:20Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳(メタデータ) (2020-08-30T21:47:26Z)
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。