論文の概要: ADAPT: Alzheimer Diagnosis through Adaptive Profiling Transformers
- arxiv url: http://arxiv.org/abs/2401.06349v2
- Date: Thu, 29 Feb 2024 01:31:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 18:04:31.520024
- Title: ADAPT: Alzheimer Diagnosis through Adaptive Profiling Transformers
- Title（参考訳）: 適応型プロファイリングトランスフォーマによるアルツハイマー病診断
- Authors: Yifeng Wang, Ke Chen and Haohan Wang
- Abstract要約: アルツハイマー病(AD)の診断のための新しいモデル構造について紹介する。
基本的には2次元法(計算効率が良い)であるにもかかわらず、3Dモデルのパフォーマンスで完成することができる。
適応型プロファイリング変換器を用いたアルツハイマー診断のためのADAPT法を考案した。
- 参考スコア（独自算出の注目度）: 24.147467300260043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated diagnosis of Alzheimer Disease(AD) from brain imaging, such as
magnetic resonance imaging (MRI), has become increasingly important and has
attracted the community to contribute many deep learning methods. However, many
of these methods are facing a trade-off that 3D models tend to be complicated
while 2D models cannot capture the full 3D intricacies from the data. In this
paper, we introduce a new model structure for diagnosing AD, and it can
complete with performances of 3D models while essentially is a 2D method (thus
computationally efficient). While the core idea lies in new perspective of
cutting the 3D images into multiple 2D slices from three dimensions, we
introduce multiple components that can further benefit the model in this new
perspective, including adaptively selecting the number of sclices in each
dimension, and the new attention mechanism. In addition, we also introduce a
morphology augmentation, which also barely introduces new computational loads,
but can help improve the diagnosis performances due to its alignment to the
pathology of AD. We name our method ADAPT, which stands for Alzheimer Diagnosis
through Adaptive Profiling Transformers. We test our model from a practical
perspective (the testing domains do not appear in the training one): the
diagnosis accuracy favors our ADAPT, while ADAPT uses less parameters than most
3D models use.
- Abstract（参考訳）: 磁気共鳴画像(MRI)などの脳画像からのアルツハイマー病(AD)の自動診断がますます重要になってきており、多くの深層学習方法に貢献するためにコミュニティを惹きつけている。
しかし、これらの手法の多くは、3Dモデルは複雑である傾向にあるというトレードオフに直面しており、2Dモデルはデータから完全な3Dの複雑さを捉えることができない。
本稿では,adを診断するための新しいモデル構造を導入し,基本的には2次元法(計算効率)でありながら3次元モデルの性能を完備する。
中心となる考え方は、3次元から複数の2次元スライスに分割する新たな視点にあるが、各次元のスライス数を適応的に選択することや、新しいアテンション機構を含む、この新たな視点でモデルをさらに活用できる複数のコンポーネントを導入する。
また,新しい計算負荷もほとんど導入しないが,ADの病態に整合性があるため,診断性能の向上に寄与する形態的拡張も導入する。
適応型プロファイリング変換器を用いたアルツハイマー診断のためのADAPT法を考案した。
診断の正確さは私たちの適応を優先しますが、adaptはほとんどの3dモデルが使用するパラメータよりも少ないパラメータを使用します。
関連論文リスト
- Domain Aware Multi-Task Pretraining of 3D Swin Transformer for T1-weighted Brain MRI [4.453300553789746]
脳磁気共鳴画像(MRI)のための3次元スイム変換器の事前訓練のためのドメイン認識型マルチタスク学習タスクを提案する。
脳の解剖学と形態学を取り入れた脳MRIの領域知識と、対照的な学習環境での3Dイメージングに適応した標準的な前提課題を考察した。
本手法は,アルツハイマー病の分類,パーキンソン病の分類,年齢予測の3つの下流課題において,既存の指導的・自己監督的手法よりも優れていた。
論文 参考訳（メタデータ） (2024-10-01T05:21:02Z) - Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。
本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。
3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文 参考訳（メタデータ） (2024-03-19T15:57:04Z) - 3D Transformer based on deformable patch location for differential
diagnosis between Alzheimer's disease and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭葉認知症は重度の臨床症状を呈する神経変性疾患の一般的なタイプである。
変形可能なパッチ位置モジュールを用いた新規な3次元トランスフォーマーアーキテクチャーを提案し,アルツハイマー病と前頭側頭葉認知症の鑑別診断を改善した。
論文 参考訳（メタデータ） (2023-09-06T17:42:18Z) - Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。
MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文 参考訳（メタデータ） (2023-03-15T08:28:06Z) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳（メタデータ） (2022-09-20T11:58:23Z) - Inflating 2D Convolution Weights for Efficient Generation of 3D Medical
Images [35.849240945334]
3次元医用画像は取得・注釈するのに高価であり,多くのパラメータが3次元畳み込みに関与している。
本稿では3D Split&Shuffle-GANと呼ばれる新しいGANモデルを提案する。
提案手法は,パラメータが大幅に少ない3次元画像の画質向上につながることを示す。
論文 参考訳（メタデータ） (2022-08-08T06:31:00Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - Leveraging 3D Information in Unsupervised Brain MRI Segmentation [1.6148039130053087]
Unsupervised Anomaly Detection (UAD) 法を提案し,Variational Autoencoder (VAE) を用いて学習した健常モデルの異常を検出する。
本稿では,UADを3D方式で実行し,2Dと3DのVAEを比較することを提案する。
サイドコントリビューションとして、堅牢なトレーニングを保証する新しい損失機能を紹介します。
学習は、健康な脳MRIの多心性データセットを使用して行われ、白マター高輝度および腫瘍病変のセグメント化性能が推定される。
論文 参考訳（メタデータ） (2021-01-26T10:04:57Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z) - Attention-Guided Version of 2D UNet for Automatic Brain Tumor
Segmentation [2.371982686172067]
グリオーマは脳腫瘍の中でも最も一般的で攻撃的であり、高い成績で寿命が短くなる。
深層畳み込みニューラルネットワーク(DCNN)は脳腫瘍のセグメンテーションにおいて顕著な性能を発揮している。
しかし, グリオーマの強度や外観に変化があるため, この課題は依然として困難である。
論文 参考訳（メタデータ） (2020-04-04T20:09:06Z)
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。