論文の概要: SYNCS: Synthetic Data and Contrastive Self-Supervised Training for Central Sulcus Segmentation
- arxiv url: http://arxiv.org/abs/2403.15121v1
- Date: Fri, 22 Mar 2024 11:24:31 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-25 17:48:36.009564
- Title: SYNCS: Synthetic Data and Contrastive Self-Supervised Training for Central Sulcus Segmentation
- Title(参考訳): SynCS: 中枢性サルカス分節に対する総合的データとコントラスト的自己スーパービジョントレーニング
- Authors: Vladyslav Zalevskyi, Kristoffer Hougaard Madsen,
- Abstract要約: デンマーク高リスク・レジリエンス研究(VIA)は、特に家族性高リスク児(FHR)の早期疾患プロセスの理解に焦点を当てている
中枢サルクス(Central sulcus, CS)は、運動および感覚処理に関わる脳の領域に関連する顕著な脳のランドマークである。
本研究では,CSの多様性をモデル化するための合成データ生成と,新しいコホートにモデルを適用するためのマルチタスク学習による自己教師付き事前学習という,CSセグメンテーションを改善するための2つの新しいアプローチを紹介する。
- 参考スコア(独自算出の注目度): 0.09208007322096533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bipolar disorder (BD) and schizophrenia (SZ) are severe mental disorders with profound societal impact. Identifying risk markers early is crucial for understanding disease progression and enabling preventive measures. The Danish High Risk and Resilience Study (VIA) focuses on understanding early disease processes, particularly in children with familial high risk (FHR). Understanding structural brain changes associated with these diseases during early stages is essential for effective interventions. The central sulcus (CS) is a prominent brain landmark related to brain regions involved in motor and sensory processing. Analyzing CS morphology can provide valuable insights into neurodevelopmental abnormalities in the FHR group. However, segmenting the central sulcus (CS) presents challenges due to its variability, especially in adolescents. This study introduces two novel approaches to improve CS segmentation: synthetic data generation to model CS variability and self-supervised pre-training with multi-task learning to adapt models to new cohorts. These methods aim to enhance segmentation performance across diverse populations, eliminating the need for extensive preprocessing.
- Abstract(参考訳): 双極性障害 (BD) と統合失調症 (SZ) は重篤な精神疾患であり、社会に深刻な影響を及ぼす。
早期にリスクマーカーを同定することは、疾患の進行を理解し、予防措置を可能にするために重要である。
デンマークのハイリスク・レジリエンス研究(VIA)は、特に家族性高リスク児(FHR)の早期疾患プロセスの理解に焦点を当てている。
これらの疾患に関連する構造的脳の変化を早期に理解することは効果的な介入に不可欠である。
中枢サルクス(Central sulcus, CS)は、運動および感覚処理に関わる脳の領域に関連する顕著な脳のランドマークである。
CS形態解析は、FHRグループの神経発達異常に関する貴重な洞察を与えることができる。
しかし、中枢性サルクス(CS)の分節化は、その多様性、特に青年期において困難を呈する。
本研究では,CSの多様性をモデル化するための合成データ生成と,新しいコホートにモデルを適用するためのマルチタスク学習による自己教師付き事前学習という,CSセグメンテーションを改善するための2つの新しいアプローチを紹介する。
これらの手法は多様な集団におけるセグメンテーション性能を高めることを目的としており、広範な前処理の必要性を排除している。
関連論文リスト
- Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - 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) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳(メタデータ) (2023-02-23T09:22:05Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Transformer-based normative modelling for anomaly detection of early
schizophrenia [1.291405125557051]
我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。
早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
論文 参考訳(メタデータ) (2022-12-08T18:22:36Z) - Attention-Guided Autoencoder for Automated Progression Prediction of
Subjective Cognitive Decline with Structural MRI [25.149830893850005]
本稿では,効率的なクロスドメイン適応のためのアテンション誘導型オートエンコーダモデルを提案する。
1)異なるドメインの共有部分空間表現を学習するための特徴符号化モジュール、2)脳のアトラスで定義された関心の識別脳領域を自動的に特定するための注意モジュール、3)元の入力を再構成するための復号モジュール、4)脳疾患の識別のための分類モジュールからなる。
提案したモデルは、CPU上でわずか5~10秒でトレーニングとテストが簡単で、小さなデータセットを持つ医療タスクに適している。
論文 参考訳(メタデータ) (2022-06-24T19:35:56Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-07-28T07:19:00Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z) - Causality based Feature Fusion for Brain Neuro-Developmental Analysis [26.218572787292427]
脳の成熟中に情報の流れの方向を付加することを提案する。
その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。
その結果,若年者では接続の強度が有意に高かった。
論文 参考訳(メタデータ) (2020-01-22T17:38:42Z)
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。