Fugu-MT 論文翻訳(概要): A Deep Network for Explainable Prediction of Non-Imaging Phenotypes using Anatomical Multi-View Data

論文の概要: A Deep Network for Explainable Prediction of Non-Imaging Phenotypes using Anatomical Multi-View Data

arxiv url: http://arxiv.org/abs/2401.04579v1
Date: Tue, 9 Jan 2024 14:33:01 GMT
ステータス: 処理完了
システム内更新日: 2024-01-10 15:37:31.526829
Title: A Deep Network for Explainable Prediction of Non-Imaging Phenotypes using Anatomical Multi-View Data
Title（参考訳）: 解剖学的多視点データを用いた非画像型予測のためのディープネットワーク
Authors: Yuxiang Wei, Yuqian Chen, Tengfei Xue, Leo Zekelman, Nikos Makris, Yogesh Rathi, Weidong Cai, Fan Zhang, Lauren J. O' Donnell
Abstract要約: 我々は,脳の解剖学的構造を複数の特徴セットで記述した解剖学的多視点データについて検討した。本稿では,異なる解剖学的ビューを用いて予測性能を向上させるための説明可能なマルチビューネットワーク(EMV-Net)を提案する。
参考スコア（独自算出の注目度）: 9.256592555127806
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large datasets often contain multiple distinct feature sets, or views, that offer complementary information that can be exploited by multi-view learning methods to improve results. We investigate anatomical multi-view data, where each brain anatomical structure is described with multiple feature sets. In particular, we focus on sets of white matter microstructure and connectivity features from diffusion MRI, as well as sets of gray matter area and thickness features from structural MRI. We investigate machine learning methodology that applies multi-view approaches to improve the prediction of non-imaging phenotypes, including demographics (age), motor (strength), and cognition (picture vocabulary). We present an explainable multi-view network (EMV-Net) that can use different anatomical views to improve prediction performance. In this network, each individual anatomical view is processed by a view-specific feature extractor and the extracted information from each view is fused using a learnable weight. This is followed by a wavelet transform-based module to obtain complementary information across views which is then applied to calibrate the view-specific information. Additionally, the calibrator produces an attention-based calibration score to indicate anatomical structures' importance for interpretation.
Abstract（参考訳）: 大規模なデータセットには、結果を改善するためにマルチビュー学習方法によって活用できる補完的な情報を提供する複数の特徴セットやビューが含まれていることが多い。各脳の解剖構造を複数の特徴セットで記述した解剖学的多視点データについて検討する。特に、拡散MRIによる白色物質の微細構造と接続特性のセットと、構造MRIによるグレー物質領域と厚さ特徴のセットに焦点を当てる。本研究では,多視点アプローチを適用した機械学習手法を用いて,年齢層(年齢),運動(強度),認知(画像語彙)を含む非画像表現型予測を改善する。本稿では,異なる解剖学的ビューを用いて予測性能を向上させるための説明可能なマルチビューネットワーク(EMV-Net)を提案する。このネットワークでは、個々の解剖学的ビューをビュー固有の特徴抽出器で処理し、各ビューから抽出された情報を学習可能な重みで融合する。この後、ウェーブレット変換ベースのモジュールがビューをまたいだ補完情報を取得し、ビュー固有の情報を校正する。さらに、キャリブレータは、解剖学的構造の解釈の重要性を示すために注意に基づくキャリブレーションスコアを生成する。

関連論文リスト

Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
論文参考訳（メタデータ） (2024-08-30T04:51:19Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Image complexity based fMRI-BOLD visual network categorization across visual datasets using topological descriptors and deep-hybrid learning [3.522950356329991]
本研究の目的は,視覚的データセットと異なる視覚刺激に応答して,ネットワークトポロジがどう異なるかを検討することである。これを実現するために、COCO、ImageNet、SUNを表す視覚ネットワーク毎に0次元および1次元の永続図を演算する。抽出したK平均クラスター特徴は、これらの視覚ネットワークの分類において90%-95%の範囲で精度の高い新しいディープハイブリッドモデルに供給される。
論文参考訳（メタデータ） (2023-11-03T14:05:57Z)
Multi-modal Graph Learning over UMLS Knowledge Graphs [1.6311327256285293]
医療概念の有意義な表現を学習するためのMMUGL(Multi-Modal UMLS Graph Learning)を提案する。これらの表現は、患者の訪問全体を表すために集約され、シークエンスモデルに入力され、患者の複数の病院訪問の粒度で予測される。
論文参考訳（メタデータ） (2023-07-10T10:16:57Z)
Convolutional neural network based on sparse graph attention mechanism for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文参考訳（メタデータ） (2023-05-29T06:14:22Z)
Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文参考訳（メタデータ） (2023-05-17T11:36:40Z)
Peripheral Vision Transformer [52.55309200601883]
我々は生物学的にインスパイアされたアプローチを採用し、視覚認識のためのディープニューラルネットワークの周辺視覚をモデル化する。本稿では,マルチヘッド自己アテンション層に周辺位置エンコーディングを組み込むことにより,トレーニングデータから視覚領域を様々な周辺領域に分割することをネットワークが学べるようにすることを提案する。大規模画像Netデータセット上でPerViTと呼ばれる提案したネットワークを評価し,マシン知覚モデルの内部動作を体系的に検討した。
論文参考訳（メタデータ） (2022-06-14T12:47:47Z)
Video Coding for Machine: Compact Visual Representation Compression for Intelligent Collaborative Analytics [101.35754364753409]
Video Coding for Machines (VCM) は、ビデオ/画像圧縮と特徴圧縮をある程度別々の研究トラックにブリッジすることを約束している。本稿では,既存の学術・産業活動に基づくVCM方法論と哲学を要約する。
論文参考訳（メタデータ） (2021-10-18T12:42:13Z)
Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
論文参考訳（メタデータ） (2021-05-21T06:48:34Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)

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。