論文の概要: Brain Age Revisited: Investigating the State vs. Trait Hypotheses of
EEG-derived Brain-Age Dynamics with Deep Learning
- arxiv url: http://arxiv.org/abs/2310.07029v1
- Date: Fri, 22 Sep 2023 17:29:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 03:22:42.156794
- Title: Brain Age Revisited: Investigating the State vs. Trait Hypotheses of
EEG-derived Brain-Age Dynamics with Deep Learning
- Title（参考訳）: 脳年齢再訪:深層学習による脳波由来脳年齢動態の状態と形質の仮説の検討
- Authors: Lukas AW Gemein, Robin T Schirrmeister, Joschka Boedecker and Tonio
Ball
- Abstract要約: 臨床脳波による脳老化に関する総合的研究を報告する。
年齢回帰の課題に最先端の時間畳み込みネットワーク(TCN)を適用した。
平均絶対誤差は6.6年である。
- 参考スコア（独自算出の注目度）: 6.339555018292823
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The brain's biological age has been considered as a promising candidate for a
neurologically significant biomarker. However, recent results based on
longitudinal magnetic resonance imaging data have raised questions on its
interpretation. A central question is whether an increased biological age of
the brain is indicative of brain pathology and if changes in brain age
correlate with diagnosed pathology (state hypothesis). Alternatively, could the
discrepancy in brain age be a stable characteristic unique to each individual
(trait hypothesis)? To address this question, we present a comprehensive study
on brain aging based on clinical EEG, which is complementary to previous
MRI-based investigations. We apply a state-of-the-art Temporal Convolutional
Network (TCN) to the task of age regression. We train on recordings of the
Temple University Hospital EEG Corpus (TUEG) explicitly labeled as
non-pathological and evaluate on recordings of subjects with non-pathological
as well as pathological recordings, both with examinations at a single point in
time and repeated examinations over time. Therefore, we created four novel
subsets of TUEG that include subjects with multiple recordings: I) all labeled
non-pathological; II) all labeled pathological; III) at least one recording
labeled non-pathological followed by at least one recording labeled
pathological; IV) similar to III) but with opposing transition (first
pathological then non-pathological). The results show that our TCN reaches
state-of-the-art performance in age decoding with a mean absolute error of 6.6
years. Our extensive analyses demonstrate that the model significantly
underestimates the age of non-pathological and pathological subjects (-1 and -5
years, paired t-test, p <= 0.18 and p <= 0.0066). Furthermore, the brain age
gap biomarker is not indicative of pathological EEG.
- Abstract（参考訳）: 脳の生物学的年齢は、神経学的に重要なバイオマーカーの候補と見なされている。
しかし, 経時磁気共鳴画像データに基づく最近の結果は, その解釈に疑問を呈している。
中枢的な疑問は、脳の生物学的年齢の増加が脳病理の指標であり、脳年齢の変化が診断された病理(状態仮説)と相関しているかどうかである。
あるいは、脳年齢の差は個々の個体に固有の安定な特徴(特性仮説)となるか?
そこで本研究では, 臨床脳波に基づく脳の老化に関する包括的研究を行い, これまでのmriによる研究を補完するものである。
年齢回帰の課題に最先端の時間畳み込みネットワーク(TCN)を適用した。
本研究は,Temple University Hospital EEG Corpus (TUEG) の記録を非病理的, 病理的, 病理的記録を有する被験者の記録に明示的にラベル付けし, 単点検診, 反復検診を行った。
その結果, TUEGの4つの新しいサブセットを作成した。I) 全て非病理的, II) 全て非病理的, III) 少なくとも1つの非病理的, そして少なくとも1つの記録的, III) 反対の遷移(第1の病理的,第1の病理的,第1の病理的)。
以上の結果から, 平均絶対誤差6.6年, 年齢復号化におけるTNの現況が明らかとなった。
以上より, 非病理的, 病理学的対象の年齢 (1歳, 5歳, t-test, p=0.18, p=0.0066) を有意に過小評価した。
さらに、脳年齢ギャップバイオマーカーは、病理脳波の指標ではない。
関連論文リスト
- Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Robust Brain Age Estimation via Regression Models and MRI-derived
Features [2.028990630951476]
本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。
提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
論文 参考訳（メタデータ） (2023-06-08T19:07:22Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Brain Structural Saliency Over The Ages [0.41998444721319217]
524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。
老化過程を通じて異なる脳領域への関連性の変化を示す。
地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
論文 参考訳（メタデータ） (2022-01-12T09:50:29Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳（メタデータ） (2021-12-23T14:51:45Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional
Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。
3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
論文 参考訳（メタデータ） (2020-10-07T01:24:15Z) - Age-Net: An MRI-Based Iterative Framework for Brain Biological Age
Estimation [18.503467872057424]
生物学的年齢(BA)の概念は、主に明確に定義された基準基準が欠如していることから理解するのが困難である。
臓器特異的BA推定のための新しい画像ベースフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-22T19:04:02Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。