論文の概要: PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans

• arxiv url: http://arxiv.org/abs/2403.18328v1
• Date: Wed, 27 Mar 2024 08:09:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 17:57:01.717932
• Title: PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans
• Title（参考訳）: PIPNet3D:MRIにおけるアルツハイマーの検出
• Authors: Lisa Anita De Santi, Jörg Schlötterer, Michael Scheschenja, Joel Wessendorf, Meike Nauta, Vincenzo Positano, Christin Seifert,
• Abstract要約: Part-Prototype Neural Network (PP-NN) は標準ブラックボックスモデルの代替品である。 ボリューム画像のためのPP-NNであるPIPNet3Dを提案する。 構造磁気共鳴画像(sMRI)を用いたアルツハイマー病診断におけるPIPNet3Dの有用性について検討した。
• 参考スコア（独自算出の注目度）: 2.8254815749464544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information from neuroimaging examinations (CT, MRI) is increasingly used to support diagnoses of dementia, e.g., Alzheimer's disease. While current clinical practice is mainly based on visual inspection and feature engineering, Deep Learning approaches can be used to automate the analysis and to discover new image-biomarkers. Part-prototype neural networks (PP-NN) are an alternative to standard blackbox models, and have shown promising results in general computer vision. PP-NN's base their reasoning on prototypical image regions that are learned fully unsupervised, and combined with a simple-to-understand decision layer. We present PIPNet3D, a PP-NN for volumetric images. We apply PIPNet3D to the clinical case study of Alzheimer's Disease diagnosis from structural Magnetic Resonance Imaging (sMRI). We assess the quality of prototypes under a systematic evaluation framework, propose new metrics to evaluate brain prototypes and perform an evaluation with domain experts. Our results show that PIPNet3D is an interpretable, compact model for Alzheimer's diagnosis with its reasoning well aligned to medical domain knowledge. Notably, PIPNet3D achieves the same accuracy as its blackbox counterpart; and removing the remaining clinically irrelevant prototypes from its decision process does not decrease predictive performance.
• Abstract（参考訳）: 神経画像検査(CT, MRI)からの情報は、認知症、例えばアルツハイマー病の診断を支援するためにますます利用されている。 現在の臨床は、主に視覚検査と特徴工学に基づいているが、Deep Learningアプローチは分析の自動化と新しいイメージバイオマーカーの発見に利用できる。 パートプロトタイプニューラルネットワーク(PP-NN)は、標準的なブラックボックスモデルの代替であり、一般的なコンピュータビジョンにおいて有望な結果を示している。 PP-NNは、完全に教師なし学習され、簡単に理解できる決定層と組み合わせられる原型画像領域の推論を基盤としている。 ボリューム画像のためのPP-NNであるPIPNet3Dを提案する。 構造型磁気共鳴画像(sMRI)を用いたアルツハイマー病診断の臨床的研究にPIPNet3Dを適用した。 システム評価フレームワークを用いてプロトタイプの品質評価を行い、脳のプロトタイプの評価とドメインの専門家による評価を行うための新しい指標を提案する。 以上の結果から,PIPNet3Dはアルツハイマー病の診断の解釈可能でコンパクトなモデルであり,医学領域の知識に整合性があることが示唆された。 特に、PIPNet3Dはブラックボックスと同じ精度を達成しており、その決定プロセスから臨床に無関係なプロトタイプを除去しても予測性能は低下しない。

関連論文リスト

• Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
  部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。 PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
  論文  参考訳（メタデータ） (2024-07-19T12:58:18Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Attention-based Efficient Classification for 3D MRI Image of Alzheimer's Disease [2.6793044027881865]
  本研究では、畳み込みニューラルネットワークに基づくアルツハイマー病検出モデルを提案する。 実験結果から, 使用した2次元融合アルゴリズムは, モデルのトレーニングコストを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-25T12:18:46Z)
• Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
  静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。 従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。 本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-24T23:45:47Z)
• Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease [2.4469484645516837]
  本稿では,アルツハイマー病 (AD) の分類を解釈するための原型付加型ニューラルネットワークであるPANICを提案する。 PANICはAD分類における最先端のパフォーマンスを達成し,局所的およびグローバルな説明を直接提供することを示す。
  論文  参考訳（メタデータ） (2023-03-13T13:56:20Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Learning Shape Features and Abstractions in 3D Convolutional Neural Networks for Detecting Alzheimer's Disease [0.0]
  本論文では,アルツハイマー病を検出するための3D ConvNets による学習形状の特徴と抽象化について検討した。 異なるモデルのLRP関連マップでは、どの部位が分類決定に関連しているかが明らかにされた。 最後に,畳み込み型オートエンコーダからの伝達学習を実施し,入力パッチによるトレーニングサンプル数の増加が学習機能やモデル性能を向上させるかを確認した。
  論文  参考訳（メタデータ） (2020-09-10T17:41:03Z)
• An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
  我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。 実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T11:08:55Z)
• 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)

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。