論文の概要: Spatio-Temporal Similarity Measure based Multi-Task Learning for
Predicting Alzheimer's Disease Progression using MRI Data
- arxiv url: http://arxiv.org/abs/2311.03557v1
- Date: Mon, 6 Nov 2023 21:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 17:37:58.038326
- Title: Spatio-Temporal Similarity Measure based Multi-Task Learning for
Predicting Alzheimer's Disease Progression using MRI Data
- Title（参考訳）: MRIデータを用いたアルツハイマー病進行予測のための時空間類似度尺度に基づくマルチタスク学習
- Authors: Xulong Wang, Yu Zhang, Menghui Zhou, Tong Liu, Jun Qi, Po Yang
- Abstract要約: 本稿では,アルツハイマー病の進行を効果的に予測するための,新しい時間的類似度尺度に基づくマルチタスク学習手法を提案する。
また, バイオマーカー間の関係の変化を識別するために, 縦方向の安定性の選択を行うことも可能である。
本研究では,皮質体積および表面積の相乗的劣化指標が認知的予測に有意な影響を及ぼすことを証明した。
- 参考スコア（独自算出の注目度）: 18.669489433316127
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying and utilising various biomarkers for tracking Alzheimer's disease
(AD) progression have received many recent attentions and enable helping
clinicians make the prompt decisions. Traditional progression models focus on
extracting morphological biomarkers in regions of interest (ROIs) from MRI/PET
images, such as regional average cortical thickness and regional volume. They
are effective but ignore the relationships between brain ROIs over time, which
would lead to synergistic deterioration. For exploring the synergistic
deteriorating relationship between these biomarkers, in this paper, we propose
a novel spatio-temporal similarity measure based multi-task learning approach
for effectively predicting AD progression and sensitively capturing the
critical relationships between biomarkers. Specifically, we firstly define a
temporal measure for estimating the magnitude and velocity of biomarker change
over time, which indicate a changing trend(temporal). Converting this trend
into the vector, we then compare this variability between biomarkers in a
unified vector space(spatial). The experimental results show that compared with
directly ROI based learning, our proposed method is more effective in
predicting disease progression. Our method also enables performing longitudinal
stability selection to identify the changing relationships between biomarkers,
which play a key role in disease progression. We prove that the synergistic
deteriorating biomarkers between cortical volumes or surface areas have a
significant effect on the cognitive prediction.
- Abstract（参考訳）: アルツハイマー病(AD)の進行を追跡できる様々なバイオマーカーの同定と利用が近年注目され、臨床医が迅速な意思決定を行えるようになった。
従来の進行モデルは、MRI/PET画像から興味のある領域(平均皮質厚みや局所体積など)で形態学的バイオマーカーを抽出することに焦点を当てている。
これらは効果があるが、時間とともに脳ROIの関係を無視し、相乗的劣化を引き起こす。
本稿では,これらのバイオマーカー間の相乗的劣化関係を探索するために,AD進行を効果的に予測し,バイオマーカー間の臨界関係を敏感に捉えるために,新しい時空間類似度尺度に基づくマルチタスク学習手法を提案する。
具体的には,時間とともに変化するバイオマーカーの変化の大きさと速度を推定するための時間的尺度を最初に定義する。
この傾向をベクトルに変換すると、統一ベクトル空間(空間)におけるバイオマーカー間のこの変数を比較する。
実験の結果,roiに基づく直接学習と比較して,本手法は疾患進行の予測に有効であることがわかった。
また, 病状進行において重要な役割を担うバイオマーカー間の関係の変化を, 経時的安定性の選択によって識別することができる。
皮質体積と表面積の相乗的劣化バイオマーカーが認知的予測に有意な影響を与えることを証明した。
関連論文リスト
- Assessing the Efficacy of Classical and Deep Neuroimaging Biomarkers in Early Alzheimer's Disease Diagnosis [2.2667044928324747]
アルツハイマー病(AD)は認知症の主要な原因であり、早期発見は効果的な介入に不可欠である。
本研究の目的は,様々な画像バイオマーカーを抽出し,統合することにより,早期ADの有意な指標を検出することである。
論文 参考訳（メタデータ） (2024-10-31T15:02:16Z) - A marker-less human motion analysis system for motion-based biomarker
discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。
膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文 参考訳（メタデータ） (2023-04-26T16:47:42Z) - Clustering disease trajectories in contrastive feature space for
biomarker discovery in age-related macular degeneration [7.2870166968239305]
加齢に伴う黄斑変性は、高齢者の視覚障害の主要な原因である。
画像バイオマーカーに基づく現在のグレーディングシステムは、粗いグループ病段階のみ広範囲に分類されている。
本稿では,病の進行の時間的ダイナミクスを捉えるバイオマーカーを自動的に検出する手法を提案する。
論文 参考訳（メタデータ） (2023-01-11T15:44:42Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - The Future will be Different than Today: Model Evaluation Considerations
when Developing Translational Clinical Biomarker [4.549866091318765]
従来のクロスバリデーション(cv)方式の代わりに,LOSO(Left-one-Study-out)を用いた評価戦略を提案する。
バイオマーカーの効果を推定するためのK-fold vs. LOSO cvの性能を示すために,臨床実験およびシミュレーション研究のデータを活用した。
論文 参考訳（メタデータ） (2021-07-13T19:36:25Z) - Dementia Severity Classification under Small Sample Size and Weak
Supervision in Thick Slice MRI [3.0681909921734416]
認知症早期発見は支援戦略の発達において重要な役割を担っている。
視覚的バイオマーカーを用いてFazekasスケールに基づいて疾患の重症度を分類することを提案する。
MRIスタック全体に重症度ラベルを割り当てる形での小さなトレーニングサンプルサイズと弱い監督は、主な課題の一つです。
論文 参考訳（メタデータ） (2021-03-18T07:33:57Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - DeepAtrophy: Teaching a Neural Network to Differentiate Progressive
Changes from Noise on Longitudinal MRI in Alzheimer's Disease [1.465540676497032]
経時的MRI変化測定は非生物学的因子によって構成できる。
深層学習法は、生物学的変化と非生物学的要因を区別するために訓練することができる。
論文 参考訳（メタデータ） (2020-10-24T18:23:02Z) - 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) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z)
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。