論文の概要: Convolutional Neural Networks for Neuroimaging in Parkinson's Disease:
Is Preprocessing Needed?
- arxiv url: http://arxiv.org/abs/2311.12561v1
- Date: Tue, 21 Nov 2023 12:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 00:54:31.168458
- Title: Convolutional Neural Networks for Neuroimaging in Parkinson's Disease:
Is Preprocessing Needed?
- Title（参考訳）: パーキンソン病における神経イメージングのための畳み込みニューラルネットワーク:前処理は必要か?
- Authors: Francisco J. Martinez-Murcia, Juan M. G\'orriz, Javier Ram\'irez and
Andr\'es Ortiz
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、向き、サイズ、角度などに関係なく、オブジェクトを分類することが証明されている。
我々は、空間および強度正規化前処理を用いて、確立されたアーキテクチャに基づいて、4つの異なるCNNモデルを訓練した。
その結果、ALEXNETの3次元バージョンのような十分複雑なモデルでは空間的差異を効果的に考慮でき、診断精度は94.1%、ROC曲線は0.984であることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spatial and intensity normalization are nowadays a prerequisite for
neuroimaging analysis. Influenced by voxel-wise and other univariate
comparisons, where these corrections are key, they are commonly applied to any
type of analysis and imaging modalities. Nuclear imaging modalities such as
PET-FDG or FP-CIT SPECT, a common modality used in Parkinson's Disease
diagnosis, are especially dependent on intensity normalization. However, these
steps are computationally expensive and furthermore, they may introduce
deformations in the images, altering the information contained in them.
Convolutional Neural Networks (CNNs), for their part, introduce position
invariance to pattern recognition, and have been proven to classify objects
regardless of their orientation, size, angle, etc. Therefore, a question
arises: how well can CNNs account for spatial and intensity differences when
analysing nuclear brain imaging? Are spatial and intensity normalization still
needed? To answer this question, we have trained four different CNN models
based on well-established architectures, using or not different spatial and
intensity normalization preprocessing. The results show that a sufficiently
complex model such as our three-dimensional version of the ALEXNET can
effectively account for spatial differences, achieving a diagnosis accuracy of
94.1% with an area under the ROC curve of 0.984. The visualization of the
differences via saliency maps shows that these models are correctly finding
patterns that match those found in the literature, without the need of applying
any complex spatial normalization procedure. However, the intensity
normalization -- and its type -- is revealed as very influential in the results
and accuracy of the trained model, and therefore must be well accounted.
- Abstract（参考訳）: 空間的および強度正規化は現在、神経画像解析の前提条件となっている。
これらの補正が鍵となるボクセルワイドや他の単変量比較の影響により、分析や画像のモダリティに一般的に適用される。
pet-fdgやfp-cit spectといったパーキンソン病の診断によく用いられる核画像モダリティは、特に強度正規化に依存する。
しかし、これらのステップは計算コストが高く、さらに画像に変形を導入し、それらに含まれる情報を変更することもある。
畳み込みニューラルネットワーク(CNN)は、パターン認識に位置不変性を導入し、その方向、大きさ、角度などにかかわらずオブジェクトを分類することが証明されている。
そのため、CNNは核脳画像解析において空間的・強度的な差異をどの程度説明できるのか?
空間と強度の正規化はまだ必要か?
そこで我々は,空間および強度の正規化前処理を用いて,確立されたアーキテクチャに基づく4種類のCNNモデルを訓練した。
その結果、ALEXNETの3次元バージョンのような十分複雑なモデルでは空間的差異を効果的に考慮でき、診断精度は94.1%、ROC曲線は0.984であることがわかった。
サリエンシマップによる差異の可視化は、これらのモデルが複雑な空間正規化手順を適用することなく、文献で見られるものと一致するパターンを正しく見つけていることを示している。
しかし、強度正規化とそのタイプは、トレーニングされたモデルの結果と正確性に非常に影響を与えているため、十分な説明が必要となる。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳（メタデータ） (2022-11-12T23:28:54Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Feature visualization for convolutional neural network models trained on
neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。
我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。
得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文 参考訳（メタデータ） (2022-03-24T15:24:38Z) - 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) - Spherical coordinates transformation pre-processing in Deep Convolution
Neural Networks for brain tumor segmentation in MRI [0.0]
深層畳み込みニューラルネットワーク(DCNN)は、最近非常に有望な結果を示している。
DCNNモデルは、優れたパフォーマンスを達成するために、大きな注釈付きデータセットが必要です。
本研究では,DCNNモデルの精度を向上させるために3次元球面座標変換を仮定した。
論文 参考訳（メタデータ） (2020-08-17T05:11:05Z) - Learning Interpretable Microscopic Features of Tumor by Multi-task
Adversarial CNNs To Improve Generalization [1.7371375427784381]
既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。
ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。
AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
論文 参考訳（メタデータ） (2020-08-04T12:10:35Z) - Harnessing spatial homogeneity of neuroimaging data: patch individual
filter layers for CNNs [0.0]
ニューラルネットワークにおける階層的抽象化の考え方と、ニューロイメージングデータの空間的均一性に先立って、新しいCNNアーキテクチャを提案する。
重みを共有せずに個々の画像領域(パッチ)でフィルタを学習することにより、PIF層は抽象的特徴をより早く、より少ないサンプルで学習することができる。
論文 参考訳（メタデータ） (2020-07-23T10:11:43Z)
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。