論文の概要: Structure-focused Neurodegeneration Convolutional Neural Network for
Modeling and Classification of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2401.03922v2
- Date: Wed, 10 Jan 2024 07:06:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 11:48:05.385791
- Title: Structure-focused Neurodegeneration Convolutional Neural Network for
Modeling and Classification of Alzheimer's Disease
- Title(参考訳): アルツハイマー病のモデリングと分類のための構造中心神経変性畳み込みニューラルネットワーク
- Authors: Simisola Odimayo, Chollette C. Olisah, and Khadija Mohammed
- Abstract要約: アルツハイマー病(AD)は世界的な課題となり、正確な早期診断の緊急性を強調している。
軽度認知障害 (MCI) とAD (AD) を区別するために, MRI (Machine Resonance Imaging) を併用した臨床技術は, 整合性や信頼性に乏しいため, 障害に遭遇する。
本稿では,画像強調技術であるガンマ補正を統合し,構造に着目した神経変性畳み込みニューラルネットワーク(CNN)アーキテクチャを含む機械学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's disease (AD), the predominant form of dementia, poses a growing
global challenge and underscores the urgency of accurate and early diagnosis.
The clinical technique radiologists adopt for distinguishing between mild
cognitive impairment (MCI) and AD using Machine Resonance Imaging (MRI)
encounter hurdles because they are not consistent and reliable. Machine
learning has been shown to offer promise for early AD diagnosis. However,
existing models focused on focal fine-grain features without considerations to
focal structural features that give off information on neurodegeneration of the
brain cerebral cortex. Therefore, this paper proposes a machine learning (ML)
framework that integrates Gamma correction, an image enhancement technique, and
includes a structure-focused neurodegeneration convolutional neural network
(CNN) architecture called SNeurodCNN for discriminating between AD and MCI. The
ML framework leverages the mid-sagittal and para-sagittal brain image
viewpoints of the structure-focused Alzheimer's Disease Neuroimaging Initiative
(ADNI) dataset. Through experiments, our proposed machine learning framework
shows exceptional performance. The parasagittal viewpoint set achieves 97.8%
accuracy, with 97.0% specificity and 98.5% sensitivity. The midsagittal
viewpoint is shown to present deeper insights into the structural brain changes
given the increase in accuracy, specificity, and sensitivity, which are 98.1%
97.2%, and 99.0%, respectively. Using GradCAM technique, we show that our
proposed model is capable of capturing the structural dynamics of MCI and AD
which exist about the frontal lobe, occipital lobe, cerebellum, and parietal
lobe. Therefore, our model itself as a potential brain structural change
Digi-Biomarker for early diagnosis of AD.
- Abstract(参考訳): 認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となり、正確な早期診断の緊急性を強調している。
軽度認知障害 (MCI) とAD (AD) を区別するために, MRI (Machine Resonance Imaging) を併用した臨床技術は, 整合性や信頼性に乏しいため, 障害に遭遇する。
機械学習は、早期の広告診断に有望であることが示されている。
しかし、既存のモデルでは、脳大脳皮質の神経変性に関する情報を提供する焦点構造の特徴を考慮せずに焦点微細な特徴に焦点を当てている。
そこで本稿では,画像強調技術であるガンマ補正を統合した機械学習(ML)フレームワークを提案し,ADとMCIを識別するための構造中心の神経変性畳み込みニューラルネットワーク(CNN)アーキテクチャ(SNeurodCNN)を提案する。
MLフレームワークは、構造に焦点を当てたアルツハイマー病神経画像イニシアチブ(ADNI)データセットの、中矢状および準矢状脳像の視点を活用する。
実験により,提案する機械学習フレームワークは優れた性能を示す。
準矢状視線は97.8%の精度で、97.0%の特異性と98.5%の感度を持つ。
正解率98.1% 97.2%、正解率99.0%、正解率98.1%、正解率99.0%、正解率98.1%、正解率98.1%、正解率99.0%である。
また,GradCAM法を用いて,前頭葉,後頭葉,小脳,頭頂葉などに存在するMCIおよびADの構造動態を把握できることが示唆された。
したがって、adの早期診断のための脳構造変化ジギバイオマーカーとしてのモデルそのものが考えられる。
関連論文リスト
- Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳(メタデータ) (2023-12-16T04:31:51Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - An Interpretable Machine Learning Model with Deep Learning-based Imaging
Biomarkers for Diagnosis of Alzheimer's Disease [4.304406827494684]
本研究では,EBMの強度と,深層学習に基づく特徴抽出を用いた高次元イメージングデータを組み合わせたフレームワークを提案する。
提案手法は,深層学習機能の代わりにボリュームバイオマーカーを用いたESMモデルよりも優れていた。
論文 参考訳(メタデータ) (2023-08-15T13:54:50Z) - Attention-based 3D CNN with Multi-layer Features for Alzheimer's Disease
Diagnosis using Brain Images [21.514626584695897]
ResNetに基づくアルツハイマー病診断のためのエンドツーエンドの3D CNNフレームワークを提案する。
我々のモデルは、疾患の診断に関連する重要な脳領域に焦点を絞ることができる。
792例の2つのモダリティ画像を用いたアブレーション実験で本法の有効性を確認した。
論文 参考訳(メタデータ) (2023-08-10T15:53:35Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - Morphological feature visualization of Alzheimer's disease via
Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。
MP-GANは既存の手法に比べて優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-11-25T03:24:52Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint
Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。
実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
論文 参考訳(メタデータ) (2020-08-10T11:08:55Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。