Fugu-MT 論文翻訳(概要): Combining Radiomics and Machine Learning Approaches for Objective ASD Diagnosis: Verifying White Matter Associations with ASD

論文の概要: Combining Radiomics and Machine Learning Approaches for Objective ASD Diagnosis: Verifying White Matter Associations with ASD

arxiv url: http://arxiv.org/abs/2405.16248v1
Date: Sat, 25 May 2024 14:14:00 GMT
ステータス: 処理完了
システム内更新日: 2024-05-28 22:17:06.214259
Title: Combining Radiomics and Machine Learning Approaches for Objective ASD Diagnosis: Verifying White Matter Associations with ASD
Title（参考訳）: 放射能と機械学習の併用による客観的ASD診断 : 白色物質とASDの関連性検証
Authors: Junlin Song, Yuzhuo Chen, Yuan Yao, Zetong Chen, Renhao Guo, Lida Yang, Xinyi Sui, Qihang Wang, Xijiao Li, Aihua Cao, Wei Li,
Abstract要約: 自閉症スペクトラム障害(Autism Spectrum disorder)は、社会的スキル、コミュニケーション能力、反復行動、感覚処理の障害につながる典型的な脳発達を特徴とする症状である。脳MRI画像と機械学習アルゴリズムを組み合わせて自閉症の客観的診断を行う研究は数多く行われているが、白質と自閉症の相関は十分に利用されていない。我々は,脳MRIにおける白質領域に着目したコンピュータ支援診断モデルを開発した。
参考スコア（独自算出の注目度）: 5.1340373270465305
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autism Spectrum Disorder is a condition characterized by a typical brain development leading to impairments in social skills, communication abilities, repetitive behaviors, and sensory processing. There have been many studies combining brain MRI images with machine learning algorithms to achieve objective diagnosis of autism, but the correlation between white matter and autism has not been fully utilized. To address this gap, we develop a computer-aided diagnostic model focusing on white matter regions in brain MRI by employing radiomics and machine learning methods. This study introduced a MultiUNet model for segmenting white matter, leveraging the UNet architecture and utilizing manually segmented MRI images as the training data. Subsequently, we extracted white matter features using the Pyradiomics toolkit and applied different machine learning models such as Support Vector Machine, Random Forest, Logistic Regression, and K-Nearest Neighbors to predict autism. The prediction sets all exceeded 80% accuracy. Additionally, we employed Convolutional Neural Network to analyze segmented white matter images, achieving a prediction accuracy of 86.84%. Notably, Support Vector Machine demonstrated the highest prediction accuracy at 89.47%. These findings not only underscore the efficacy of the models but also establish a link between white matter abnormalities and autism. Our study contributes to a comprehensive evaluation of various diagnostic models for autism and introduces a computer-aided diagnostic algorithm for early and objective autism diagnosis based on MRI white matter regions.
Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder)は、社会的スキル、コミュニケーション能力、反復行動、感覚処理の障害につながる典型的な脳発達を特徴とする症状である。脳MRI画像と機械学習アルゴリズムを組み合わせて自閉症の客観的診断を行う研究は数多く行われているが、白質と自閉症の相関は十分に利用されていない。このギャップに対処するために,脳MRIの白質領域に着目したコンピュータ支援診断モデルを開発した。本研究では, ホワイトマターをセグメント化するためのMultiUNetモデルを導入し, UNetアーキテクチャを活用し, 手動分割MRI画像をトレーニングデータとして利用した。その後、Piradiomicsツールキットを用いてホワイトマターの特徴を抽出し、Support Vector Machine、Random Forest、Logistic Regression、K-Nearest Neighborsといった機械学習モデルを用いて自閉症を予測する。予測の精度は80%を超えた。さらに、畳み込みニューラルネットワークを用いて、セグメント化された白色物質画像を分析し、86.84%の精度で予測した。特に、Support Vector Machineは89.47%という高い予測精度を示した。これらの知見は, モデルの有効性だけでなく, ホワイトマターの異常と自閉症との関連を裏付けるものである。本研究は,各種自閉症診断モデルの総合的評価に寄与し,MRI白質領域に基づく早期・客観的自閉症診断のためのコンピュータ支援診断アルゴリズムを提案する。

関連論文リスト

Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。 ASDの客観的バイオマーカーは診断精度の向上に役立つ。深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文参考訳（メタデータ） (2024-09-19T23:08:09Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文参考訳（メタデータ） (2023-06-15T16:22:57Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文参考訳（メタデータ） (2021-09-19T14:22:55Z)
Proposing a System Level Machine Learning Hybrid Architecture and Approach for a Comprehensive Autism Spectrum Disorder Diagnosis [1.2691047660244335]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、知的発達、社会的行動、顔の特徴に影響を及ぼす重度の神経精神疾患である。 ASDの診断精度を向上させるために,社会行動と顔の特徴データの両方をフル活用したハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-18T04:33:09Z)
Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文参考訳（メタデータ） (2021-05-18T11:37:57Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Machine Learning Methods for Brain Network Classification: Application to Autism Diagnosis using Cortical Morphological Networks [0.0]
我々はクラウドソーシングを利用して、自閉症スペクトラム障害(ASD)診断に応用した神経疾患診断のための機械学習パイプラインのプールを構築する。第1位チームは70%の精度、72.5%の感度、67.5%の特異性を達成し、第2位チームはそれぞれ63.8%、62.5%、65%を達成した。
論文参考訳（メタデータ） (2020-04-28T06:23:29Z)
4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
論文参考訳（メタデータ） (2020-04-21T17:19:06Z)
Explainable and Scalable Machine-Learning Algorithms for Detection of Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文参考訳（メタデータ） (2020-03-02T18:20:44Z)

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。