論文の概要: MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder
- arxiv url: http://arxiv.org/abs/2407.07076v2
- Date: Wed, 4 Sep 2024 01:59:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-07 02:22:00.749755
- Title: MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder
- Title(参考訳): MADE-for-ASD:自閉症スペクトラム障害診断のためのマルチアトラスディープアンサンブルネットワーク
- Authors: Xuehan Liu, Md Rakibul Hasan, Tom Gedeon, Md Zakir Hossain,
- Abstract要約: 本稿では,従来の診断手法と潜在的な自動化ソリューションのギャップを埋める。
我々は,脳の機能的磁気共鳴画像(fMRI)データの複数のアトラスを統合するマルチアトラスディープアンサンブルネットワーク,MADE-for-ASDを提案する。
提案手法は,ASD診断性能を向上させるための予測ワークフローに,人口統計情報を統合する。
- 参考スコア(独自算出の注目度): 4.7377709803078325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In response to the global need for efficient early diagnosis of Autism Spectrum Disorder (ASD), this paper bridges the gap between traditional, time-consuming diagnostic methods and potential automated solutions. We propose a multi-atlas deep ensemble network, MADE-for-ASD, that integrates multiple atlases of the brain's functional magnetic resonance imaging (fMRI) data through a weighted deep ensemble network. Our approach integrates demographic information into the prediction workflow, which enhances ASD diagnosis performance and offers a more holistic perspective on patient profiling. We experiment with the well-known publicly available ABIDE (Autism Brain Imaging Data Exchange) I dataset, consisting of resting state fMRI data from 17 different laboratories around the globe. Our proposed system achieves 75.20% accuracy on the entire dataset and 96.40% on a specific subset $-$ both surpassing reported ASD diagnosis accuracy in ABIDE I fMRI studies. Specifically, our model improves by 4.4 percentage points over prior works on the same amount of data. The model exhibits a sensitivity of 82.90% and a specificity of 69.70% on the entire dataset, and 91.00% and 99.50%, respectively, on the specific subset. We leverage the F-score to pinpoint the top 10 ROI in ASD diagnosis, such as precuneus and anterior cingulate/ventromedial. The proposed system can potentially pave the way for more cost-effective, efficient and scalable strategies in ASD diagnosis. Codes and evaluations are publicly available at https://github.com/hasan-rakibul/MADE-for-ASD.
- Abstract(参考訳): 自閉症スペクトラム障害(ASD)の早期診断のグローバルなニーズに応じて,従来の時間的診断手法と潜在的な自動化ソリューションのギャップを埋める。
我々は、重み付きディープアンサンブルネットワークを介して脳の機能的磁気共鳴画像(fMRI)データの複数のアトラスを統合するマルチアトラスディープアンサンブルネットワーク、MADE-for-ASDを提案する。
提案手法は,ASD診断性能を高め,患者のプロファイリングについてより総合的な視点を提供する予測ワークフローに,人口統計情報を統合する。
ABIDE (Autism Brain Imaging Data Exchange, 自閉症脳画像データ交換) Iデータセットを実験した。
提案システムでは,データセット全体の75.20%の精度,特定のサブセットに対して96.40%の精度を実現している。
具体的には,同量のデータに対する先行処理よりも4.4ポイント向上した。
このモデルはデータセット全体の82.90%の感度と69.70%の特異性を示し、それぞれ91.00%と99.50%の感度を示す。
ASD診断の上位10ROI(前頭蓋・前帯・腹腔鏡など)をFスコアで特定した。
提案システムは、ASD診断において、よりコスト効率が高く、効率的でスケーラブルな戦略の道を開く可能性がある。
コードと評価はhttps://github.com/hasan-rakibul/MADE-for-ASD.comで公開されている。
関連論文リスト
- MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。
Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。
我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
論文 参考訳(メタデータ) (2024-10-16T23:03:27Z) - Denoising Variational Autoencoder as a Feature Reduction Pipeline for the diagnosis of Autism based on Resting-state fMRI [11.871709357017416]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、発達過程において、制限された関心とコミュニケーションの困難を特徴とする疾患である。
静止状態fMRI(rs-fMRI)を用いたASD特徴量削減パイプラインを提案する。
我々はNcutsのパーセレーションとPower atlasを使って機能的な接続データを抽出し、3万以上の機能を実現した。
論文 参考訳(メタデータ) (2024-09-30T09:38:47Z) - 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) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。
私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - 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) - 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) - 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) - Learning from Subjective Ratings Using Auto-Decoded Deep Latent
Embeddings [23.777855250882244]
ラベルにおける主観性管理は医用画像解析における根本的な問題である。
自動復号型ディープ潜在埋め込み(addle)を導入する
ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
論文 参考訳(メタデータ) (2021-04-12T15:40:42Z) - Developing a New Autism Diagnosis Process Based on a Hybrid Deep
Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。
本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化する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) (2021-04-02T17:30:35Z) - 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)
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。