論文の概要: Stochastic Cortical Self-Reconstruction
- arxiv url: http://arxiv.org/abs/2403.06837v1
- Date: Mon, 11 Mar 2024 15:59:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 18:24:49.233174
- Title: Stochastic Cortical Self-Reconstruction
- Title(参考訳): 確率的皮質自己再構築
- Authors: Christian Wachinger, Dennis Hedderich, Fabian Bongratz
- Abstract要約: 本研究では,脳皮質自己再構成(SCSR)の概念を導入し,被験者固有の健康基準を作成する。
健康な個人に専門的に訓練された、反復的な自己再構成は、標準から逸脱を評価するための基準皮質を生成する。
これらのモデルは英国バイオバンクの健康な被験者で訓練され、4つの公的なアルツハイマーのデータセットで評価された。
- 参考スコア(独自算出の注目度): 3.7138962865789353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging (MRI) is critical for diagnosing neurodegenerative
diseases, yet accurately assessing mild cortical atrophy remains a challenge
due to its subtlety. Automated cortex reconstruction, paired with healthy
reference ranges, aids in pinpointing pathological atrophy, yet their
generalization is limited by biases from image acquisition and processing. We
introduce the concept of stochastic cortical self-reconstruction (SCSR) that
creates a subject-specific healthy reference by taking MRI-derived thicknesses
as input and, therefore, implicitly accounting for potential confounders. SCSR
randomly corrupts parts of the cortex and self-reconstructs them from the
remaining information. Trained exclusively on healthy individuals, repeated
self-reconstruction generates a stochastic reference cortex for assessing
deviations from the norm. We present three implementations of this concept:
XGBoost applied on parcels, and two autoencoders on vertex level -- one based
on a multilayer perceptron and the other using a spherical U-Net. These models
were trained on healthy subjects from the UK Biobank and subsequently evaluated
across four public Alzheimer's datasets. Finally, we deploy the model on
clinical in-house data, where deviation maps' high spatial resolution aids in
discriminating between four types of dementia.
- Abstract(参考訳): MRIは神経変性疾患の診断に重要であるが、軽度の皮質萎縮を正確に評価することは、その微妙さが課題である。
正常な基準範囲と組み合わせた自動大脳皮質再建は、病理萎縮の特定を助けるが、その一般化は画像取得と処理のバイアスによって制限される。
我々は,mri由来の厚みを入力として被写体特異的な健全な参照を生成する確率的皮質自己再構成(scsr)の概念を導入する。
SCSRはランダムに大脳皮質の一部を破壊し、残りの情報から自己再構成する。
健康な個人にのみ訓練され、繰り返し自己再構成は、標準からの逸脱を評価する確率的基準皮質を生成する。
我々は,この概念の3つの実装を提示する: パーセルに適用したXGBoostと頂点レベルの2つのオートエンコーダ - 1つは多層パーセプトロンをベースとし,もう1つは球面U-Netを用いる。
これらのモデルは英国バイオバンクの健康な被験者で訓練され、4つの公的なアルツハイマーのデータセットで評価された。
最後に,偏差マップの高空間分解能が認知症4つのタイプを識別する上で有用である臨床内データにモデルを展開する。
関連論文リスト
- Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。
いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文 参考訳(メタデータ) (2024-08-04T13:09:06Z) - Multi-class point cloud completion networks for 3D cardiac anatomy
reconstruction from cine magnetic resonance images [4.1448595037512925]
マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。
その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
論文 参考訳(メタデータ) (2023-07-17T14:52:52Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Reconstructing the somatotopic organization of the corticospinal tract
remains a challenge for modern tractography methods [55.07297021627281]
CST(Corticospinal tract)は、人間の脳において、身体の自発的な動きを制御できる重要なホワイトマター線維である。
拡散MRIトラクトグラフィーは、ヒトの健康におけるCST経路の解剖学的および変動性の研究を可能にする唯一の方法である。
論文 参考訳(メタデータ) (2023-06-09T02:05:40Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳(メタデータ) (2023-03-21T17:16:01Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI
Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。
トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。
画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文 参考訳(メタデータ) (2023-02-18T06:11:49Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳(メタデータ) (2023-01-21T15:00:59Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳(メタデータ) (2021-03-03T17:55:14Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。