Fugu-MT 論文翻訳(概要): Learning Cortical Anomaly through Masked Encoding for Unsupervised Heterogeneity Mapping

論文の概要: Learning Cortical Anomaly through Masked Encoding for Unsupervised Heterogeneity Mapping

arxiv url: http://arxiv.org/abs/2312.02762v3
Date: Tue, 13 Feb 2024 08:58:22 GMT
ステータス: 処理完了
システム内更新日: 2024-02-14 18:52:52.209072
Title: Learning Cortical Anomaly through Masked Encoding for Unsupervised Heterogeneity Mapping
Title（参考訳）: 教師なし不均一マッピングのためのマスク付き符号化による皮質異常の学習
Authors: Hao-Chun Yang, Ole Andreassen, Lars Tjelta Westlye, Andre F. Marquand, Christian F. Beckmann, Thomas Wolfers
Abstract要約: 本稿では、複雑な脳疾患の教師なし検出のための新しいフレームワークであるCAM(Cortical Anomaly Detection through Masked Image Modeling)を紹介する。我々は、この枠組みを精神スペクトル上の個人の検出に利用し、その能力を実証する。 Pars Triangularisを含む非典型的皮質領域と、統合失調症に関連するいくつかの前頭葉領域の分析は、我々のアプローチにさらなる信頼をもたらす。
参考スコア（独自算出の注目度）: 3.8351698710777797
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The detection of heterogeneous mental disorders based on brain readouts remains challenging due to the complexity of symptoms and the absence of reliable biomarkers. This paper introduces CAM (Cortical Anomaly Detection through Masked Image Modeling), a novel self-supervised framework designed for the unsupervised detection of complex brain disorders using cortical surface features. We employ this framework for the detection of individuals on the psychotic spectrum and demonstrate its capabilities compared to state-of-the-art methods, achieving an AUC of 0.696 for Schizoaffective and 0.769 for Schizophreniform, without the need for any labels. Furthermore, the analysis of atypical cortical regions, including Pars Triangularis and several frontal areas often implicated in schizophrenia, provides further confidence in our approach. Altogether, we demonstrate a scalable approach for anomaly detection of complex brain disorders based on cortical abnormalities. The code will be made available at https://github.com/chadHGY/CAM.
Abstract（参考訳）: 脳の読み出しに基づく異種精神疾患の検出は、症状の複雑さと信頼できるバイオマーカーの欠如のため、依然として困難である。本稿では、皮質表面の特徴を用いた複雑な脳疾患の教師なし検出を目的とした、新しい自己教師型フレームワークであるCAM(Cortical Anomaly Detection through Masked Image Modeling)を紹介する。我々はこの枠組みを心理スペクトル上の個人の検出に利用し、その能力を最先端の手法と比較し、SchizoaffectiveのAUCが0.696、Schizophreniformの0.769をラベルなしで達成した。さらに, 統合失調症によく関与する非定型的皮質領域, 三角性パースおよびいくつかの前頭葉領域の解析は, 本研究のアプローチにさらなる自信を与える。総じて,皮質異常に基づく複雑な脳疾患の異常検出のためのスケーラブルなアプローチを示す。コードはhttps://github.com/chadHGY/CAMで公開される。

関連論文リスト

Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
論文参考訳（メタデータ） (2024-06-18T14:55:41Z)
Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文参考訳（メタデータ） (2024-01-19T11:35:07Z)
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)
Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文参考訳（メタデータ） (2023-02-23T09:22:05Z)
Brainomaly: Unsupervised Neurologic Disease Detection Utilizing Unannotated T1-weighted Brain MR Images [10.441810020877371]
本稿では神経疾患検出に特化して設計されたGANを用いた画像・画像翻訳手法であるBrainomalyを提案する。脳腫瘍は、神経画像に適した調整された画像と画像の翻訳を提供するだけでなく、注釈のない混合画像を活用して、より優れた神経疾患検出を実現する。
論文参考訳（メタデータ） (2023-02-18T00:42:58Z)
Transformer-based normative modelling for anomaly detection of early schizophrenia [1.291405125557051]
我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
論文参考訳（メタデータ） (2022-12-08T18:22:36Z)
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)
An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文参考訳（メタデータ） (2022-04-26T14:20:26Z)
Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文参考訳（メタデータ） (2021-10-04T16:06:49Z)
Unsupervised Domain Adaptation for Cross-Subject Few-Shot Neurological Symptom Detection [2.2336243882030025]
本稿では,非教師なし領域適応手法を導入し,多目的てんかん発作の検出を可能にする。複数の患者の特徴を被写体不変空間に符号化し, 被写体不変特徴から識別モデルを訓練し, 予測を行った。本手法では,従来手法に比べて1ショット識別精度が9.4%向上し,クロスサブジェクト発作検出が可能となった。
論文参考訳（メタデータ） (2021-02-28T20:08:11Z)
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)

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。