論文の概要: Optimizing contrastive learning for cortical folding pattern detection

• arxiv url: http://arxiv.org/abs/2401.18035v1
• Date: Wed, 31 Jan 2024 17:59:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-01 13:42:11.953583
• Title: Optimizing contrastive learning for cortical folding pattern detection
• Title（参考訳）: 皮質折り畳みパターン検出のためのコントラスト学習の最適化
• Authors: Aymeric Gaudin (1), Louise Guillon (1), Clara Fischer (1), Arnaud Cachia (2), Denis Rivi\`ere (1), Jean-Fran\c{c}ois Mangin (1), Jo\"el Chavas (1) ((1) Neurospin, Gif-sur-Yvette, France, (2) LaPsyD\'e, Laboratoire A.Binet-Sorbonne, Paris, France)
• Abstract要約: 我々は,囲い領域の折りたたみパターンを検出するための自己教師型ディープラーニングモデルを構築した。 このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用されたのは、これが初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human cerebral cortex has many bumps and grooves called gyri and sulci. Even though there is a high inter-individual consistency for the main cortical folds, this is not the case when we examine the exact shapes and details of the folding patterns. Because of this complexity, characterizing the cortical folding variability and relating them to subjects' behavioral characteristics or pathologies is still an open scientific problem. Classical approaches include labeling a few specific patterns, either manually or semi-automatically, based on geometric distances, but the recent availability of MRI image datasets of tens of thousands of subjects makes modern deep-learning techniques particularly attractive. Here, we build a self-supervised deep-learning model to detect folding patterns in the cingulate region. We train a contrastive self-supervised model (SimCLR) on both Human Connectome Project (1101 subjects) and UKBioBank (21070 subjects) datasets with topological-based augmentations on the cortical skeletons, which are topological objects that capture the shape of the folds. We explore several backbone architectures (convolutional network, DenseNet, and PointNet) for the SimCLR. For evaluation and testing, we perform a linear classification task on a database manually labeled for the presence of the "double-parallel" folding pattern in the cingulate region, which is related to schizophrenia characteristics. The best model, giving a test AUC of 0.76, is a convolutional network with 6 layers, a 10-dimensional latent space, a linear projection head, and using the branch-clipping augmentation. This is the first time that a self-supervised deep learning model has been applied to cortical skeletons on such a large dataset and quantitatively evaluated. We can now envisage the next step: applying it to other brain regions to detect other biomarkers.
• Abstract（参考訳）: ヒト大脳皮質には、ジリとサルシと呼ばれる多くの隆起と溝がある。 主皮質の折りたたみには高い個人間整合性があるが, 折りたたみパターンの正確な形状や詳細を調べると, こうはならない。 この複雑さのため、皮質の折りたたみ変異を特徴づけ、被験者の行動特性や病理に関連付けることは、まだオープンな科学的問題である。 古典的なアプローチには、幾何学的距離に基づいて手動または半自動でいくつかの特定のパターンをラベル付けすることが含まれるが、最近の数万の被験者のMRI画像データセットが利用可能になったことで、現代のディープラーニング技術は特に魅力的になった。 ここでは,自己教師付きディープラーニングモデルを構築し,シンギュレート領域の折り畳みパターンを検出する。 我々は,ヒトコネクトームプロジェクト(1101科目)とUKBioBank(21070科目)の両方で,皮質骨格のトポロジに基づく拡張を施した対比自己教師モデル(SimCLR)を訓練する。 SimCLR用のバックボーンアーキテクチャ(畳み込みネットワーク、DenseNet、PointNet)について検討する。 評価とテストのために,統合失調症の特徴に関連したシンギュレート領域における「二重並列」折り畳みパターンの存在を手作業でラベル付けしたデータベース上で線形分類タスクを行う。 テストauc を 0.76 とする最良のモデルは、畳み込みネットワークで、6 層、10 次元潜込み空間、線形射影ヘッド、分岐傾斜拡張を用いたものである。 このような大規模なデータセット上の皮質骨格に対して、自己教師付きディープラーニングモデルが適用され、定量的に評価されたのはこれが初めてである。 他の脳領域に適用することで、他のバイオマーカーを検出するのです。

関連論文リスト

• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Unveiling the Unseen: Identifiable Clusters in Trained Depthwise Convolutional Kernels [56.69755544814834]
  深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。 本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
  論文  参考訳（メタデータ） (2024-01-25T19:05:53Z)
• Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
  大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。 自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-11-26T10:33:36Z)
• Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
  医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。 この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。 ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。 自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
  論文  参考訳（メタデータ） (2023-09-21T09:06:36Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Multi-View Hypercomplex Learning for Breast Cancer Screening [7.147856898682969]
  伝統的に、乳がん分類のための深層学習法は単一視点解析を行う。 放射線科医は マンモグラフィー検査を構成する4つのビューを 同時に分析します パラメータ化ハイパープレックスニューラルネットワークを用いた多視点乳がん分類法を提案する。
  論文  参考訳（メタデータ） (2022-04-12T13:32:31Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Modeling Category-Selective Cortical Regions with Topographic Variational Autoencoders [72.15087604017441]
  カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。 新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。 本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
  論文  参考訳（メタデータ） (2021-10-25T11:37:41Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
  セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。 提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。 我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
  論文  参考訳（メタデータ） (2020-07-09T23:17:40Z)

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。