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
- Enhancing Autism Spectrum Disorder Early Detection with the Parent-Child Dyads Block-Play Protocol and an Attention-enhanced GCN-xLSTM Hybrid Deep Learning Framework [6.785167067600156]
本研究は,ASDと発達幼児を区別する行動パターンを識別するための,親子ダイズブロックプレイ(PCB)プロトコルを提案する。
40人のASDと89人のTD幼児が親とのブロックプレイに従事している。
このデータセットは、参加者の規模と個々のセッションの長さの両方に関する以前の取り組みを上回る。
論文 参考訳（メタデータ） (2024-08-29T21:53:01Z) - 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) - Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder [53.575426835313536]
LLMを用いたfMRIエンコーディングと脳のスコアを用いた高齢者の言語関連機能変化について検討する。
脳のスコアと認知スコアの相関関係を脳全体のROIと言語関連ROIの両方で分析した。
以上の結果から,認知能力の向上は,中側頭回に有意な相関がみられた。
論文 参考訳（メタデータ） (2024-07-15T01:09:08Z) - Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
論文 参考訳（メタデータ） (2024-06-18T14:55:41Z) - Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
論文 参考訳（メタデータ） (2024-02-21T12:54:40Z) - 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) - 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) - 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。