論文の概要: Multimodal Neuroimaging Attention-Based architecture for Cognitive
Decline Prediction
- arxiv url: http://arxiv.org/abs/2401.06777v1
- Date: Thu, 21 Dec 2023 00:56:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 12:41:10.640337
- Title: Multimodal Neuroimaging Attention-Based architecture for Cognitive
Decline Prediction
- Title(参考訳): 認知的減退予測のためのマルチモーダルニューロイメージングアテンションベースアーキテクチャ
- Authors: Jamie Vo, Naeha Sharif and Ghulam Mubashar Hassan
- Abstract要約: アルツハイマー病の早期発見は早期治療の確保と患者の予後の改善に不可欠である。
正常な認知状態からADおよびMCIへの変換を予測する文献は非常に少ない。
我々は,認知正常(CN)個体が10年以内にMCIまたはADを発達させるかどうかを予測するために,新しいマルチモーダル・ニューロイメージング・アテンションベースのCNNアーキテクチャであるMNA-netを提案する。
- 参考スコア(独自算出の注目度): 1.4548651568912518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The early detection of Alzheimer's Disease is imperative to ensure early
treatment and improve patient outcomes. There has consequently been extenstive
research into detecting AD and its intermediate phase, mild cognitive
impairment (MCI). However, there is very small literature in predicting the
conversion to AD and MCI from normal cognitive condition. Recently, multiple
studies have applied convolutional neural networks (CNN) which integrate
Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET) to
classify MCI and AD. However, in these works, the fusion of MRI and PET
features are simply achieved through concatenation, resulting in a lack of
cross-modal interactions. In this paper, we propose a novel multimodal
neuroimaging attention-based CNN architecture, MNA-net, to predict whether
cognitively normal (CN) individuals will develop MCI or AD within a period of
10 years. To address the lack of interactions across neuroimaging modalities
seen in previous works, MNA-net utilises attention mechanisms to form shared
representations of the MRI and PET images. The proposed MNA-net is tested in
OASIS-3 dataset and is able to predict CN individuals who converted to MCI or
AD with an accuracy of 83%, true negative rate of 80%, and true positive rate
of 86%. The new state of the art results improved by 5% and 10% for accuracy
and true negative rate by the use of attention mechanism. These results
demonstrate the potential of the proposed model to predict cognitive impairment
and attention based mechanisms in the fusion of different neuroimaging
modalities to improve the prediction of cognitive decline.
- Abstract(参考訳): アルツハイマー病の早期発見は早期治療の確保と患者の予後の改善に不可欠である。
その結果、ADとその中間段階である軽度認知障害(MCI)を検出するための拡張研究が行われた。
しかし、通常の認知状態からadとmciへの変換を予測する文献は非常に少ない。
近年,磁気共鳴イメージング(MRI)とポジトロン放射トモグラフィ(PET)を統合した畳み込みニューラルネットワーク(CNN)を用いてMCIとADを分類している。
しかし、これらの研究において、MRIとPETの融合は単に結合によって達成され、結果として相互モーダル相互作用が欠如する。
本稿では,認知正常者(cn)が10年以内にmciまたはadを発症するかどうかを予測するために,mna-net(multimodal neuroimaging attention-based cnn architecture)を提案する。
従来の研究で見られる神経画像モダリティ間の相互作用の欠如を解決するため、MNA-netはMRIとPET画像の共有表現を形成するために注意機構を利用する。
提案したMNA-netはOASIS-3データセットでテストされ、精度83%、真陰率80%、真正率86%でMCIまたはADに変換されたCN個体を予測できる。
その結果, 注意機構を用いることで, 精度と正負率を5%, 10%向上させることができた。
これらの結果は、認知低下の予測を改善するために、異なる神経画像モダリティの融合における認知障害と注意に基づくメカニズムを予測するモデルの可能性を示す。
関連論文リスト
- Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - Structure-focused Neurodegeneration Convolutional Neural Network for
Modeling and Classification of Alzheimer's Disease [0.0]
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。
論文 参考訳(メタデータ) (2024-01-08T14:33:57Z) - 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) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - 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) - Is a PET all you need? A multi-modal study for Alzheimer's disease using
3D CNNs [3.678164468512092]
アルツハイマー病(Alzheimer's Disease, AD)は、認知症の最も一般的な形態であり、認知症の多因子因果関係により診断が困難であることが多い。
神経画像を用いた深部神経ネットワーク(DNN)を用いたコンピュータ支援診断の最近の研究は、構造的磁気共鳴画像(sMRI)とフルオロデオキシグルコースポジトロン放射断層撮影(FDG-PET)を融合させることにより、ADの健康管理と被験者の集団において精度が向上することを示した。
今後のマルチモーダル融合の取り組みは,提案した評価枠組みに従って,個別のモダリティの貢献を体系的に評価すべきである,と論じる。
論文 参考訳(メタデータ) (2022-07-05T14:55:56Z) - Mapping fNIRS to fMRI with Neural Data Augmentation and Machine Learning
Models [0.0]
機能的磁気共鳴イメージング(fMRI)は、最も一般的で広く使われている神経イメージング技術である。
fMRIによる個人差のマーカーへの関心が高まっている。
機械学習モデルとデータ拡張を用いて、人間の認識のfMRIマーカーを予測する。
論文 参考訳(メタデータ) (2022-06-13T21:32:30Z) - 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) - Improving 3D convolutional neural network comprehensibility via
interactive visualization of relevance maps: Evaluation in Alzheimer's
disease [0.8031935951075242]
畳み込みニューラルネットワーク(CNN)は、磁気共鳴イメージング(MRI)スキャンに基づいてアルツハイマー病(AD)認知症を検出する高い診断精度を実現します。
この理由の1つは、モデル理解性の欠如である。
より精度の高いモデルは、事前知識によって事前に定義された差別的脳領域にも依存するかどうかを検討した。
論文 参考訳(メタデータ) (2020-12-18T15:16:50Z) - Multimodal Inductive Transfer Learning for Detection of Alzheimer's
Dementia and its Severity [39.57255380551913]
本稿では,音響的,認知的,言語的特徴を活用してマルチモーダルアンサンブルシステムを構築する新しいアーキテクチャを提案する。
時相特性を持つ特殊な人工ニューラルネットワークを使用して、アルツハイマー認知症(AD)とその重症度を検出する。
本システムでは,AD分類では最先端試験精度,精度,リコール,F1スコアが83.3%,MMSEスコア評価では4.60の最先端試験根平均二乗誤差(RMSE)が得られた。
論文 参考訳(メタデータ) (2020-08-30T21:47:26Z) - 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。