論文の概要: A voxel-level approach to brain age prediction: A method to assess regional brain aging

• arxiv url: http://arxiv.org/abs/2310.11385v2
• Date: Wed, 24 Apr 2024 22:35:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 23:47:37.512908
• Title: A voxel-level approach to brain age prediction: A method to assess regional brain aging
• Title（参考訳）: 脳年齢予測へのボクセルレベルのアプローチ:局所的脳老化評価法
• Authors: Neha Gianchandani, Mahsa Dibaji, Johanna Ospel, Fernando Vega, Mariana Bento, M. Ethan MacDonald, Roberto Souza,
• Abstract要約: ボクセルレベルの予測は、局所的な脳年齢推定を提供し、局所的な老化過程に関する詳細な洞察を与えることができる。 深層学習に基づくマルチタスクモデルは、T1強調磁気共鳴画像からボクセルレベルの脳年齢を予測するために提案される。
• 参考スコア（独自算出の注目度）: 35.506876461932855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain aging is a regional phenomenon, a facet that remains relatively under-explored within the realm of brain age prediction research using machine learning methods. Voxel-level predictions can provide localized brain age estimates that can provide granular insights into the regional aging processes. This is essential to understand the differences in aging trajectories in healthy versus diseased subjects. In this work, a deep learning-based multitask model is proposed for voxel-level brain age prediction from T1-weighted magnetic resonance images. The proposed model outperforms the models existing in the literature and yields valuable clinical insights when applied to both healthy and diseased populations. Regional analysis is performed on the voxel-level brain age predictions to understand aging trajectories of known anatomical regions in the brain and show that there exist disparities in regional aging trajectories of healthy subjects compared to ones with underlying neurological disorders such as Dementia and more specifically, Alzheimer's disease. Our code is available at https://github.com/nehagianchandani/Voxel-level-brain-age-prediction.
• Abstract（参考訳）: 脳の老化は局所的な現象であり、機械学習の手法を用いて脳年齢予測研究の領域内では比較的解明されていない。 ボクセルレベルの予測は、局所的な脳年齢推定を提供し、局所的な老化過程に関する詳細な洞察を与えることができる。 これは,健常者と疾患者における老化軌跡の相違を理解するために不可欠である。 本研究では,T1強調磁気共鳴画像からのボクセルレベルの脳年齢予測のために,深層学習に基づくマルチタスクモデルを提案する。 提案モデルは文献に存在するモデルより優れており、健康な人口と病気の人口の両方に適用した場合に貴重な臨床所見が得られる。 脳の既知の解剖学的領域の老化軌跡を理解するために、ボクセルレベルの脳年齢予測を用いて局所分析を行い、認知症やより具体的にはアルツハイマー病のような基礎疾患の患者と比較して、健常者の地域老化軌跡に相違があることが示されている。 私たちのコードはhttps://github.com/nehagianchandani/Voxel-level-brain-age-predictionで公開されています。

関連論文リスト

• Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
  本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。 次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。 提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
  論文  参考訳（メタデータ） (2024-03-02T16:13:06Z)
• 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)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• Deep Learning for Brain Age Estimation: A Systematic Review [41.292656643344294]
  機械学習モデルは、脳の年齢を正確に予測するために神経画像データにうまく採用されている。 ディープニューラルネットワーク(ディープニューラルネットワーク、ディープラーニングとも呼ばれる)は、多様体ニューロイメージング研究で普及している。
  論文  参考訳（メタデータ） (2022-12-07T15:19:59Z)
• 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)
• 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)
• 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。