論文の概要: Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI

• arxiv url: http://arxiv.org/abs/2401.12132v1
• Date: Mon, 22 Jan 2024 17:14:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 13:14:51.341670
• Title: Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI
• Title（参考訳）: 多発性硬化症におけるQCNN-LSTMによる障害予測の検討
• Authors: John D. Mayfield and Issam El Naqa
• Abstract要約: 多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。 我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introduction Quantum Convolutional Neural Network (QCNN)-Long Short-Term Memory (LSTM) models were studied to provide sequential relationships for each timepoint in MRIs of patients with Multiple Sclerosis (MS). In this pilot study, we compared three QCNN-LSTM models for binary classification of MS disability benchmarked against classical neural network architectures. Our hypothesis is that quantum models will provide competitive performance. Methods Matrix Product State (MPS), reverse Multistate Entanglement Renormalization Ansatz (MERA), and Tree-Tensor Network (TTN) circuits were paired with LSTM layer to process near-annual MRI data of patients diagnosed with MS. These were benchmarked against a Visual Geometry Group (VGG)-LSTM and a Video Vision Transformer (ViViT). Predicted logits were measured against ground truth labels of each patient's Extended Disability Severity Score (EDSS) using binary cross-entropy loss. Training/validation/holdout testing was partitioned using 5-fold cross validation with a total split of 60:20:20. Levene's test of variance was used to measure statistical difference and Student's t-test for paired model differences in mean. Results The MPS-LSTM, reverse MERA-LSTM, and TTN-LSTM had holdout testing ROC-AUC of 0.70, 0.77, and 0.81, respectively (p-value 0.915). VGG16-LSTM and ViViT performed similarly with ROC-AUC of 0.73 and 0.77, respectively (p-value 0.631). Overall variance and mean were not statistically significant (p-value 0.713), however, time to train was significantly faster for the QCNN-LSTMs (39.4 sec per fold vs. 224 and 218, respectively, p-value <0.001). Conclusion QCNN-LSTM models perform competitively to their classical counterparts with greater efficiency in train time. Clinically, these can add value in terms of efficiency to time-dependent deep learning prediction of disease progression based upon medical imaging.
• Abstract（参考訳）: 多発性硬化症(MS)患者のMRIにおける各時点の逐次的関連性について,QCNN-Long Short-Term Memory(LSTM)モデルを用いて検討した。 本稿では,従来のニューラルネットワークアーキテクチャと比較したMS障害のバイナリ分類のための3つのQCNN-LSTMモデルを比較した。 私たちの仮説は、量子モデルが競争的パフォーマンスをもたらすというものです。 マトリックス製品状態(MPS)、逆マルチステートエンタングルメント再正規化アンサッツ(MERA)、ツリー・テンソル・ネットワーク(TTN)回路をLSTM層と組み合わせて、MSと診断された患者のほぼ年次MRIデータを処理し、これらをビジュアルジオメトリ・グループ(VGG)-LSTMとビデオビジョン・トランスフォーマー(ViViT)でベンチマークした。 各患者の拡張障害重症度スコア(EDSS)の真理ラベルに対して,二進的クロスエントロピー損失を用いて予測ロジットを測定した。 トレーニング/バリデーション/ホールドアウトテストは、合計60:20で、5倍のクロス検証を使用して分割された。 Levene の分散試験は統計的差を測定するのに使われ、学生の t-test は平均的なペアモデル差を計測した。 結果,mps-lstm,reverse mera-lstm,ttn-lstmはそれぞれ0.70,0.77,0.81であった(p-value 0.915)。 VGG16-LSTMとViViTは、それぞれ0.73と0.77(p値0.631)のROC-AUCと同等に動作した。 全体としての差分と平均値は統計的に有意ではなかった(p値0.713)が、QCNN-LSTMでは、それぞれ39.4秒対224秒と218秒で、p値<0.001)。 結論 QCNN-LSTM モデルは、列車の時間内でより効率の良い古典的なモデルと競合する。 臨床的には、医療画像に基づく疾患進行の時間依存的深層学習予測に効率性が付加される可能性がある。

関連論文リスト

• Adaptive Self-Supervised Consistency-Guided Diffusion Model for Accelerated MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• Deep Learning Classification of Photoplethysmogram Signal for Hypertension Levels [2.289386500039994]
  前高血圧(正常レベル)と高血圧(ステージIとステージIIを含む)の2つのカテゴリで分類された。 精度と特異性の100%と82.1%のリコールにより、LSTMモデルはニューラルネットワークのすべての組み合わせの中で最良の結果を提供する。 最大精度71.9%はLSTM-CNNモデルによって達成されている。
  論文  参考訳（メタデータ） (2024-05-23T13:35:53Z)
• Comprehensive Multimodal Deep Learning Survival Prediction Enabled by a Transformer Architecture: A Multicenter Study in Glioblastoma [4.578027879885667]
  本研究は,変圧器を用いた深層学習モデルにMR画像,臨床および分子病理学的データを統合することにより,グリオーマの生存率予測を改善することを目的とする。 このモデルは、自己教師付き学習技術を用いて、高次元MRI入力を効果的に符号化し、クロスアテンションを用いた非画像データと統合する。
  論文  参考訳（メタデータ） (2024-05-21T17:44:48Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Cross-Cohort Generalizability of Deep and Conventional Machine Learning for MRI-based Diagnosis and Prediction of Alzheimer's Disease [3.651988141747362]
  本研究は, 軽度認知障害者(MCI)における, MRIによるアルツハイマー病(AD)患者の分類とCN(CN)の外部データセットへの適応とADへの転換予測の一般化性を検証するものである。 従来のSVM(Support vector Machine)とCNN(Deep Convolutional Neural Network)のアプローチを用いて,最小限の事前検証あるいはより広範な事前検証を行った構造的MRIスキャンを行った。
  論文  参考訳（メタデータ） (2020-12-16T07:09:30Z)
• Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time [7.024121839235693]
  急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。 臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
  論文  参考訳（メタデータ） (2020-11-05T18:28:54Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。