論文の概要: A Bi-Pyramid Multimodal Fusion Method for the Diagnosis of Bipolar Disorders

• arxiv url: http://arxiv.org/abs/2401.07571v1
• Date: Mon, 15 Jan 2024 10:11:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 17:35:21.454163
• Title: A Bi-Pyramid Multimodal Fusion Method for the Diagnosis of Bipolar Disorders
• Title（参考訳）: Bi-Pyramid Multimodal Fusion法による双極性障害の診断
• Authors: Guoxin Wang, Sheng Shi, Shan An, Fengmei Fan, Wenshu Ge, Qi Wang, Feng Yu, Zhiren Wang
• Abstract要約: 我々はMRIとfMRIの両方のデータを用いて、双極性障害のマルチモーダル診断モデルを提案する。 提案手法は,OpenfMRIデータセットの精度を0.657から0.732に向上させる。
• 参考スコア（独自算出の注目度）: 11.622160966334745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous research on the diagnosis of Bipolar disorder has mainly focused on resting-state functional magnetic resonance imaging. However, their accuracy can not meet the requirements of clinical diagnosis. Efficient multimodal fusion strategies have great potential for applications in multimodal data and can further improve the performance of medical diagnosis models. In this work, we utilize both sMRI and fMRI data and propose a novel multimodal diagnosis model for bipolar disorder. The proposed Patch Pyramid Feature Extraction Module extracts sMRI features, and the spatio-temporal pyramid structure extracts the fMRI features. Finally, they are fused by a fusion module to output diagnosis results with a classifier. Extensive experiments show that our proposed method outperforms others in balanced accuracy from 0.657 to 0.732 on the OpenfMRI dataset, and achieves the state of the art.
• Abstract（参考訳）: 双極性障害の診断に関するこれまでの研究は、主に静止状態機能磁気共鳴画像に焦点をあてている。 しかし,その精度は臨床診断の要件を満たしていない。 効率的なマルチモーダル融合戦略は、マルチモーダルデータの応用に大きな可能性を持ち、医療診断モデルの性能をさらに向上させることができる。 本研究では,sMRIデータとfMRIデータを併用し,双極性障害に対する新しいマルチモーダル診断モデルを提案する。 提案したパッチピラミッド特徴抽出モジュールはsMRI特徴を抽出し、時空間ピラミッド構造はfMRI特徴を抽出する。 最後に、融合モジュールによって融合され、分類器で診断結果を出力する。 実験の結果,提案手法はOpenfMRIデータセットにおいて0.657から0.732の精度で他者より優れており,その精度が向上していることがわかった。

関連論文リスト

• Cross-Vendor Reproducibility of Radiomics-based Machine Learning Models for Computer-aided Diagnosis [0.0]
  マルチモーダル学習と機能融合による臨床診断支援の強化を目指す。 我々のSVMモデルは、PiradiomicsとMRCradiomicsの複合機能を利用して、Multi-Improdデータセット上でAUCの0.74を達成しました。 RFモデルはピラディオミクスの特徴のみを用いたモデルに対して顕著なロバスト性を示した(PhilipsのAUC 0.78)。
  論文  参考訳（メタデータ） (2024-07-25T14:16:02Z)
• An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
  本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。 提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。 勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
  論文  参考訳（メタデータ） (2024-03-29T20:32:30Z)
• 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)
• Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
  教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T14:02:56Z)
• Multi-Dimension-Embedding-Aware Modality Fusion Transformer for Psychiatric Disorder Clasification [13.529183496842819]
  本研究では,入力2次元時系列のrs-fMRIと3次元ボリュームT1wの深層学習アーキテクチャを構築した。 統合失調症と双極性障害の診断において,MFFormerは単モードMRIや多モードMRIより優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-04T10:02:04Z)
• 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)
• MUVF-YOLOX: A Multi-modal Ultrasound Video Fusion Network for Renal Tumor Diagnosis [10.452919030855796]
  腎腫瘍診断のためのマルチモーダル機能融合とビデオ分類を効果的に行うことのできる,新しいマルチモーダル超音波ビデオ融合ネットワークを提案する。 マルチセンタデータセットによる実験結果から,提案手法は単一モードモデルと競合する手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-15T14:15:42Z)
• A Novel Autoencoders-LSTM Model for Stroke Outcome Prediction using Multimodal MRI Data [1.4392882343006919]
  多モード磁気共鳴画像(MRI)を用いた脳卒中予後予測のための機械学習モデルの提案 提案モデルは,2つのシリアルレベルのオートエンコーダ(AE)から構成される。 次に、LSTMネットワークによって、患者のマルチモーダルな特徴のシーケンスを使用して、結果のスコアを予測する。
  論文  参考訳（メタデータ） (2023-03-16T17:00:45Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Deep Learning based Multi-modal Computing with Feature Disentanglement for MRI Image Synthesis [8.363448006582065]
  本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。 提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。 テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
  論文  参考訳（メタデータ） (2021-05-06T17:22:22Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。