論文の概要: Using a Convolutional Neural Network and Explainable AI to Diagnose Dementia Based on MRI Scans
- arxiv url: http://arxiv.org/abs/2406.18555v1
- Date: Sun, 26 May 2024 03:06:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 06:00:20.808816
- Title: Using a Convolutional Neural Network and Explainable AI to Diagnose Dementia Based on MRI Scans
- Title（参考訳）: 畳み込みニューラルネットワークと説明可能なAIを用いたMRIスキャンによる認知症診断
- Authors: Tyler Morris, Ziming Liu, Longjian Liu, Xiaopeng Zhao,
- Abstract要約: 畳み込みニューラルネットワークは、6400のMRIスキャンを4つの認知症クラスに分割したオープンソースのデータベースを使用して開発、訓練されている。
モデルの精度は98%に達し、適合性が高く、新しいデータに一般化できることが示されている。
説明可能なAIアルゴリズムは、各畳み込み層における個々のフィルタの出力を可視化することにより開発された。
- 参考スコア（独自算出の注目度）: 9.019755267796077
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: As the number of dementia patients rises, the need for accurate diagnostic procedures rises as well. Current methods, like using an MRI scan, rely on human input, which can be inaccurate. However, the decision logic behind machine learning algorithms and their outputs cannot be explained, as most operate in black-box models. Therefore, to increase the accuracy of diagnosing dementia through MRIs, a convolution neural network has been developed and trained using an open-source database of 6400 MRI scans divided into 4 dementia classes. The model, which attained a 98 percent validation accuracy, was shown to be well fit and able to generalize to new data. Furthermore, to aid in the visualization of the model output, an explainable AI algorithm was developed by visualizing the outputs of individual filters in each convolution layer, which highlighted regions of interest in the scan. These outputs do a great job of identifying the image features that contribute most to the model classification, thus allowing users to visualize and understand the results. Altogether, this combination of the convolution neural network and explainable AI algorithm creates a system that can be used in the medical field to not only aid in the proper classification of dementia but also allow everyone involved to visualize and understand the results.
- Abstract（参考訳）: 認知症患者の増加に伴い、正確な診断手順の必要性も高まる。
MRIスキャンのような現在の方法は、不正確な人間の入力に依存している。
しかしながら、機械学習アルゴリズムとその出力の背後にある決定ロジックは説明できない。
そこで,MRIを用いて認知症を診断する精度を高めるために,6400個のMRIスキャンを4つの認知症クラスに分割したオープンソースのデータベースを用いて,畳み込みニューラルネットワークを開発した。
98%の精度を達成したこのモデルは、適合性が高く、新しいデータに一般化できることが示されている。
さらに、モデル出力の可視化を支援するために、各畳み込み層における個々のフィルタの出力を可視化して説明可能なAIアルゴリズムを開発した。
これらのアウトプットは、モデル分類に最も寄与する画像の特徴を識別し、ユーザが結果を視覚化し、理解できるようにする。
この畳み込みニューラルネットワークと説明可能なAIアルゴリズムの組み合わせは、認知症の適切な分類を助けるだけでなく、関係者全員が結果を視覚化して理解できるように、医療現場で使用できるシステムを生成する。
関連論文リスト
- Integrating Preprocessing Methods and Convolutional Neural Networks for
Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。
本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。
医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2024-02-25T23:49:05Z) - Detecting Brain Tumors through Multimodal Neural Networks [0.0]
本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。
結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
論文 参考訳（メタデータ） (2024-01-10T13:06:52Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Edge-variational Graph Convolutional Networks for Uncertainty-aware
Disease Prediction [7.6146285961466]
本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。
4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
論文 参考訳（メタデータ） (2020-09-06T15:53:17Z) - Comparison of Convolutional neural network training parameters for
detecting Alzheimers disease and effect on visualization [0.0]
畳み込みニューラルネットワーク(CNN)は、画像データのパターンを検出する強力なツールとなっている。
これまでMRIデータのCNNモデルから得られた精度にもかかわらず、この精度を駆動する特徴や画像領域に関する情報を提供する論文はほとんどなかった。
論文 参考訳（メタデータ） (2020-08-18T15:21:50Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。
ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
論文 参考訳（メタデータ） (2020-06-20T17:56:46Z) - Transfer Learning for Brain Tumor Segmentation [0.6408773096179187]
グリオーマは、化学療法や手術で治療される最も一般的な悪性脳腫瘍である。
近年のディープラーニングの進歩により、様々な視覚認識タスクに優れた畳み込みニューラルネットワークアーキテクチャが実現されている。
本研究では,事前学習した畳み込みエンコーダを用いてFCNを構築し,この方法でトレーニングプロセスを安定させ,ダイススコアやハウスドルフ距離に対する改善を実現することを示す。
論文 参考訳（メタデータ） (2019-12-28T12:45:34Z)
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。