Fugu-MT 論文翻訳(概要): SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease

論文の概要: SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease

arxiv url: http://arxiv.org/abs/2401.03922v3
Date: Fri, 31 May 2024 01:10:42 GMT
ステータス: 処理完了
システム内更新日: 2024-06-03 20:12:04.062075
Title: SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease
Title（参考訳）: SNeurodCNN: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, Khadija Mohammed,
Abstract要約: 認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となっている。現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャを含むディープラーニング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, is a growing global challenge, emphasizing the urgent need for accurate and early diagnosis. Current clinical diagnoses rely on radiologist expert interpretation, which is prone to human error. Deep learning has thus far shown promise for early AD diagnosis. However, existing methods often overlook focal structural atrophy critical for enhanced understanding of the cerebral cortex neurodegeneration. This paper proposes a deep learning framework that includes a novel structure-focused neurodegeneration CNN architecture named SNeurodCNN and an image brightness enhancement preprocessor using gamma correction. The SNeurodCNN architecture takes as input the focal structural atrophy features resulting from segmentation of brain structures captured through magnetic resonance imaging (MRI). As a result, the architecture considers only necessary CNN components, which comprises of two downsampling convolutional blocks and two fully connected layers, for achieving the desired classification task, and utilises regularisation techniques to regularise learnable parameters. Leveraging mid-sagittal and para-sagittal brain image viewpoints from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, our framework demonstrated exceptional performance. The para-sagittal viewpoint achieved 97.8% accuracy, 97.0% specificity, and 98.5% sensitivity, while the mid-sagittal viewpoint offered deeper insights with 98.1% accuracy, 97.2% specificity, and 99.0% sensitivity. Model analysis revealed the ability of SNeurodCNN to capture the structural dynamics of mild cognitive impairment (MCI) and AD in the frontal lobe, occipital lobe, cerebellum, temporal, and parietal lobe, suggesting its potential as a brain structural change digi-biomarker for early AD diagnosis. This work can be reproduced using code we made available on GitHub.
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)は世界的な課題であり、正確な早期診断の緊急の必要性を強調している。現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。これまでのところ、ディープラーニングは早期AD診断の可能性を秘めている。しかし、既存の方法では、大脳皮質神経変性の理解を深めるために重要な焦点構造萎縮を見落としていることが多い。本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャと,ガンマ補正を用いた画像輝度向上プリプロセッサを含むディープラーニングフレームワークを提案する。 SNeurodCNNアーキテクチャは、MRI(MRI)で捉えた脳構造のセグメント化に起因する焦点構造萎縮の特徴を入力として取る。その結果、アーキテクチャは、2つのダウンサンプリングされた畳み込みブロックと2つの完全に接続されたレイヤから構成されるCNNコンポーネントのみを考慮し、学習可能なパラメータを正規化するために正規化技術を利用する。 Alzheimer's Disease Neuroimaging Initiative (ADNI) データセットを用いた中矢状・準矢状脳画像の応用により,我々の枠組みは異常な性能を示した。準矢状視線は97.8%の精度、97.0%の特異性、98.5%の感度を達成し、中矢状視線は98.1%の精度、97.2%の特異性、99.0%の感度で深い洞察を与えた。モデル解析により,前頭葉,後頭葉,小脳,側頭葉,頭頂葉における軽度認知障害 (MCI) とADの構造動態をとらえるSNeurodCNNの有用性が明らかとなり,早期AD診断における脳構造変化ジギバイオマーカーとしての可能性が示唆された。この作業は、GitHubで公開したコードを使って再現することができます。

関連論文リスト

A Dual-Attention Aware Deep Convolutional Neural Network for Early Alzheimer's Detection [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、神経変性の主要な形態であり、毎年何百万人もの人に影響を及ぼす。ニューロイメージングデータからADを分類するための2重注意強化深層学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-15T17:22:16Z)
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)
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)
NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文参考訳（メタデータ） (2023-01-01T12:48:12Z)
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)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
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)
Towards a quantitative assessment of neurodegeneration in Alzheimer's disease [0.0]
アルツハイマー病(英語: Alzheimer's disease、AD)は、脳の記憶や他の認知領域を徐々に破壊する不可逆性神経変性疾患である。本稿では,神経変性の空間的範囲を視覚的に表現する手段として,病理特異的イメージングコントラスト(PSIC)の概念を紹介する。 PSICの値は専用ディープニューラルネットワーク(DNN)によって計算され、特にdMRI信号の処理に適応している。
論文参考訳（メタデータ） (2020-11-06T05:56:29Z)
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)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。