論文の概要: Multimodal MRI-based Detection of Amyloid Status in Alzheimer's Disease Continuum
- arxiv url: http://arxiv.org/abs/2406.13305v1
- Date: Wed, 19 Jun 2024 07:51:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 22:40:02.340337
- Title: Multimodal MRI-based Detection of Amyloid Status in Alzheimer's Disease Continuum
- Title(参考訳): アルツハイマー病連続性アミロイドのマルチモーダルMRIによる検出
- Authors: Giorgio Dolci, Charles A. Ellis, Federica Cruciani, Lorenza Brusini, Anees Abrol, Ilaria Boscolo Galazzo, Gloria Menegaz, Vince D. Calhoun,
- Abstract要約: Amyloid-$beta$ plaquesはアルツハイマー病(AD)の神経病理学的特徴である
この目的のためには、主にアミロイドPET画像に依存する深層学習法が用いられている。
我々は,AD連続体におけるA$beta$状態を識別するために,構造,機能,拡散MRIデータからの情報を統合する新しいマルチモーダルアプローチを提案する。
- 参考スコア(独自算出の注目度): 13.220436208437576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Amyloid-$\beta$ (A$\beta$) plaques in conjunction with hyperphosphorylated tau proteins in the form of neurofibrillary tangles are the two neuropathological hallmarks of Alzheimer's disease (AD). In particular, the accumulation of A$\beta$ plaques, as evinced by the A/T/N (amyloid/tau/neurodegeneration) framework, marks the initial stage. Thus, the identification of individuals with A$\beta$ positivity could enable early diagnosis and potentially lead to more effective interventions. Deep learning methods relying mainly on amyloid PET images have been employed to this end. However, PET imaging has some disadvantages, including the need of radiotracers and expensive acquisitions. Hence, in this work, we propose a novel multimodal approach that integrates information from structural, functional, and diffusion MRI data to discriminate A$\beta$ status in the AD continuum. Our method achieved an accuracy of $0.762\pm0.04$. Furthermore, a \textit{post-hoc} explainability analysis (guided backpropagation) was performed to retrieve the brain regions that most influenced the model predictions. This analysis identified some key regions that were common across modalities, some of which were well-established AD-discriminative biomarkers and related to A$\beta$ deposition, such as the hippocampus, thalamus, precuneus, and cingulate gyrus. Hence, our study demonstrates the potential viability of MRI-based characterization of A$\beta$ status, paving the way for further research in this domain.
- Abstract(参考訳): Amyloid-$\beta$ (A$\beta$) プラークは、高リン酸化タウタンパク質と結合し、神経線維の絡み合いの形で、アルツハイマー病(AD)の2つの神経病理学的特徴である。
特に、A/T/N(アミロイド/タウ/ニューロデジェネレーション)フレームワークによるA$\beta$プラークの蓄積は、初期段階を示す。
したがって、A$\beta$陽性の個体の同定は早期診断を可能にし、より効果的な介入につながる可能性がある。
この目的のためには、主にアミロイドPET画像に依存する深層学習法が用いられている。
しかし、PETイメージングには、放射性物質の必要性や高価な買収など、いくつかの欠点がある。
そこで本研究では,AD連続体におけるA$\beta$状態を識別するために,構造,機能,拡散MRIデータからの情報を統合する新しいマルチモーダル手法を提案する。
精度は0.762\pm0.04$である。
さらに、モデル予測に最も影響した脳領域を検索するために、textit{post-hoc}説明可能性分析(誘導バックプロパゲーション)を行った。
この分析では、モダリティに共通するいくつかの重要な領域を同定し、そのうちのいくつかはよく確立されたAD識別バイオマーカーであり、海馬、視床、前頭骨、帯状回など、A$\beta$の沈着に関係していた。
そこで本研究では,MRIによるA$\beta$状態のキャラクタリゼーションの可能性を示し,この領域におけるさらなる研究の道を開く。
関連論文リスト
- Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。
我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。
本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2024-09-22T02:06:05Z) - Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。
ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。
その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。
実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
論文 参考訳(メタデータ) (2024-08-15T21:09:09Z) - Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer's Detection [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、何百万人もの患者で毎年診断される、最も一般的な神経変性疾患である。
従来のCNNは画像中の大量の低レベル情報を抽出できるが、高レベルの極小粒子を抽出することができない。
本稿では,異なるスケールでの情報抽出と効率的な情報フローを組み合わせた新しいグラニュラー特徴統合手法を提案する。
論文 参考訳(メタデータ) (2024-07-15T17:22:16Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。
構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。
本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
論文 参考訳(メタデータ) (2024-06-19T07:31:47Z) - Reliable Multimodality Eye Disease Screening via Mixture of Student's t
Distributions [49.4545260500952]
眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインEyeMoStについて紹介する。
本モデルでは,一様性に対する局所的不確実性と融合モードに対する大域的不確実性の両方を推定し,信頼性の高い分類結果を生成する。
パブリックデータセットと社内データセットの両方に関する実験結果から、我々のモデルは現在の手法よりも信頼性が高いことが判明した。
論文 参考訳(メタデータ) (2023-03-17T06:18:16Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳(メタデータ) (2022-04-21T08:23:44Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳(メタデータ) (2021-07-21T08:08:05Z) - Disentangling brain heterogeneity via semi-supervised deep-learning and
MRI: dimensional representations of Alzheimer's Disease [2.7724592931061016]
Smile-GANは、神経解剖学的不均一性を分解する新しい半監視深層クラスタリング法である。
smile-ganは、p1、正常解剖、最も高い認知能力、p2、軽度/拡散性萎縮、より著明な執行機能障害、p3、中心側頭側頭葉萎縮、記憶障害の相対的増加を含む4つの神経変性パターン/軸索を同定した。
論文 参考訳(メタデータ) (2021-02-24T22:09:16Z) - 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) - Image analysis for Alzheimer's disease prediction: Embracing
pathological hallmarks for model architecture design [8.583436410810204]
アルツハイマー病(AD)は局所性(例えば脳組織萎縮)と大脳変化(脳との接続の欠如)と関連している
我々は、疾患脳における$textitlocal$と$textitglobal$の変化を同時にキャプチャする、新しくて高度にスケール可能なアプローチを導入する。
パッチベースの高解像度の3D-CNNとグローバルなトポロジ的特徴を組み合わせたニューラルネットワークアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2020-11-12T17:42:49Z) - 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)
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。