論文の概要: Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression

• arxiv url: http://arxiv.org/abs/2310.03353v1
• Date: Thu, 5 Oct 2023 07:14:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 17:15:16.549437
• Title: Deep Geometric Learning with Monotonicity Constraints for Alzheimer's Disease Progression
• Title（参考訳）: アルツハイマー病進行における単調性制約による深部幾何学習
• Authors: Seungwoo Jeong, Wonsik Jung, Junghyo Sohn, Heung-Il Suk
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、進行性および不可逆性認知症に先行する破壊的な神経変性疾患である。 深層学習に基づくデータバリアビリティと空間性に関するアプローチは、本質的に幾何学的性質についてはまだ検討されていない。 本研究では,縦型MRIバイオマーカーと認知スコアをモデル化した新しい幾何学的学習手法を提案する。
• 参考スコア（独自算出の注目度）: 8.923442084735075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease (AD) is a devastating neurodegenerative condition that precedes progressive and irreversible dementia; thus, predicting its progression over time is vital for clinical diagnosis and treatment. Numerous studies have implemented structural magnetic resonance imaging (MRI) to model AD progression, focusing on three integral aspects: (i) temporal variability, (ii) incomplete observations, and (iii) temporal geometric characteristics. However, deep learning-based approaches regarding data variability and sparsity have yet to consider inherent geometrical properties sufficiently. The ordinary differential equation-based geometric modeling method (ODE-RGRU) has recently emerged as a promising strategy for modeling time-series data by intertwining a recurrent neural network and an ODE in Riemannian space. Despite its achievements, ODE-RGRU encounters limitations when extrapolating positive definite symmetric metrics from incomplete samples, leading to feature reverse occurrences that are particularly problematic, especially within the clinical facet. Therefore, this study proposes a novel geometric learning approach that models longitudinal MRI biomarkers and cognitive scores by combining three modules: topological space shift, ODE-RGRU, and trajectory estimation. We have also developed a training algorithm that integrates manifold mapping with monotonicity constraints to reflect measurement transition irreversibility. We verify our proposed method's efficacy by predicting clinical labels and cognitive scores over time in regular and irregular settings. Furthermore, we thoroughly analyze our proposed framework through an ablation study.
• Abstract（参考訳）: アルツハイマー病( Alzheimer's disease, AD)は、進行性認知症と不可逆性認知症に先行する破壊的な神経変性疾患である。 AD進行をモデル化するための構造磁気共鳴画像(MRI)を多数実施し、3つの統合的な側面に注目している。 (i)時間変動性。 (ii)不完全な観察、及び (iii)時間幾何学的特徴。 しかし、データの多様性と空間性に関する深層学習に基づくアプローチは、いまだに本質的に幾何学的性質を十分に考慮していない。 常微分方程式に基づく幾何モデリング法(ode-rgru)は、リーマン空間における再帰ニューラルネットワークとodeを相互に絡んで時系列データをモデル化するための有望な戦略として最近登場している。 その成果にもかかわらず、ODE-RGRUは、不完全なサンプルから正定値の対称なメトリクスを外挿する際に制限に遭遇し、特に臨床領域で特に問題となる特徴的逆転が発生する。 そこで本研究では,位相空間シフト,ode-rgru,軌道推定の3つのモジュールを組み合わせることで,縦型mriバイオマーカーと認知スコアをモデル化する新しい幾何学習手法を提案する。 また,単調性制約と多様体マッピングを統合し,測定遷移の可逆性を反映した学習アルゴリズムを開発した。 臨床ラベルと認知スコアを定期的および不規則な設定で時間とともに予測することにより,提案手法の有効性を検証する。 さらに,提案手法をアブレーション研究により徹底的に解析した。

関連論文リスト

• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Bayesian longitudinal tensor response regression for modeling neuroplasticity [0.0]
  縦断的神経画像研究における主要な関心は、訪問中の治療やその他の要因によるボクセルレベルの神経可塑性の研究である。 本研究では,空間分散ボクセル間で情報をプールする縦画像データに対する新しいベイズテンソル応答回帰手法を提案する。 提案手法は, 個別レベルの神経可塑性を推定し, パーソナライズされた疾患や回復軌道の検査を可能にする。
  論文  参考訳（メタデータ） (2023-09-12T18:48:18Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
  本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。 提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。 実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T07:19:00Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
  我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。 実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T11:08:55Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。