論文の概要: Dual Graph Attention based Disentanglement Multiple Instance Learning
for Brain Age Estimation
- arxiv url: http://arxiv.org/abs/2403.01246v1
- Date: Sat, 2 Mar 2024 16:13:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 14:26:56.335840
- Title: Dual Graph Attention based Disentanglement Multiple Instance Learning
for Brain Age Estimation
- Title（参考訳）: 双対グラフアテンションに基づく脳年齢推定のための複数インスタンス学習
- Authors: Fanzhe Yan, Gang Yang, Yu Li, Aiping Liu, Xun Chen
- Abstract要約: 本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
- 参考スコア（独自算出の注目度）: 26.33669583527592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning techniques have demonstrated great potential for accurately
estimating brain age by analyzing Magnetic Resonance Imaging (MRI) data from
healthy individuals. However, current methods for brain age estimation often
directly utilize whole input images, overlooking two important considerations:
1) the heterogeneous nature of brain aging, where different brain regions may
degenerate at different rates, and 2) the existence of age-independent
redundancies in brain structure. To overcome these limitations, we propose a
Dual Graph Attention based Disentanglement Multi-instance Learning (DGA-DMIL)
framework for improving brain age estimation. Specifically, the 3D MRI data,
treated as a bag of instances, is fed into a 2D convolutional neural network
backbone, to capture the unique aging patterns in MRI. A dual graph attention
aggregator is then proposed to learn the backbone features by exploiting the
intra- and inter-instance relationships. Furthermore, a disentanglement branch
is introduced to separate age-related features from age-independent structural
representations to ameliorate the interference of redundant information on age
prediction. To verify the effectiveness of the proposed framework, we evaluate
it on two datasets, UK Biobank and ADNI, containing a total of 35,388 healthy
individuals. Our proposed model demonstrates exceptional accuracy in estimating
brain age, achieving a remarkable mean absolute error of 2.12 years in the UK
Biobank. The results establish our approach as state-of-the-art compared to
other competing brain age estimation models. In addition, the instance
contribution scores identify the varied importance of brain areas for aging
prediction, which provides deeper insights into the understanding of brain
aging.
- Abstract（参考訳）: 深層学習技術は、健康な人のMRIデータを分析して、脳年齢を正確に推定する大きな可能性を示している。
しかし、現在の脳年齢推定法は、入力画像全体を直接利用することが多い。
1) 異なる脳領域が異なる速度で縮退しうる脳老化の異種性
2)脳構造における加齢非依存冗長性の存在。
これらの制限を克服するため、脳年齢推定を改善するためのDGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。
具体的には、インスタンスの袋として扱われた3D MRIデータは、2D畳み込みニューラルネットワークのバックボーンに入力され、MRIのユニークな老化パターンをキャプチャする。
次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。
さらに、年齢非依存構造表現から年齢関連特徴を分離し、年齢予測における冗長情報の干渉を改善するために、異角分枝を導入する。
提案手法の有効性を検証するため,英国バイオバンクとADNIの2つのデータセットを用いて,35,388人の健常者を対象に評価を行った。
提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
その結果、他の競合脳年齢推定モデルと比較して、最先端のアプローチが確立された。
さらに、インスタンス貢献スコアは、老化予測のための脳領域のさまざまな重要性を識別し、脳老化の理解に関する深い洞察を提供する。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Ordinal Classification with Distance Regularization for Robust Brain Age Prediction [25.555190119033615]
老化はアルツハイマー病(AD)の主要な危険因子の1つである
脳の年齢は、加齢による構造変化を反映した脳画像から導かれる指標であり、ADの発症を識別し、疾患リスクを評価し、標的とする介入を計画する可能性がある。
磁気共鳴画像(MRI)スキャンによる脳年齢予測のためのディープラーニングに基づく回帰手法は,近年,非常に精度が高い。
これらの手法は平均効果に固有の回帰傾向を受けており、体系的な偏りが生じ、若年者では脳年齢が過大評価され、老年者では過小評価される。
論文 参考訳（メタデータ） (2023-10-25T20:39:07Z) - Robust Brain Age Estimation via Regression Models and MRI-derived
Features [2.028990630951476]
本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。
提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
論文 参考訳（メタデータ） (2023-06-08T19:07:22Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Brain Structure Ages -- A new biomarker for multi-disease classification [0.0]
構造磁気共鳴画像を用いて脳構造年齢を推定することにより,大域的脳年齢の概念を拡張することを提案する。
脳構造年代は、各脳構造の正常な老化過程からの偏差を計算するために用いられる。
論文 参考訳（メタデータ） (2023-04-13T14:56:51Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。