Fugu-MT 論文翻訳(概要): Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification

論文の概要: Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification

arxiv url: http://arxiv.org/abs/2407.14277v2
Date: Mon, 22 Jul 2024 15:02:24 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 13:31:17.904605
Title: Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification
Title（参考訳）: アルツハイマー病分類のためのパッチベース直観型多型ネットワーク(PIMPNet)
Authors: Lisa Anita De Santi, Jörg Schlötterer, Meike Nauta, Vincenzo Positano, Christin Seifert,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 3.144057505325736
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Volumetric neuroimaging examinations like structural Magnetic Resonance Imaging (sMRI) are routinely applied to support the clinical diagnosis of dementia like Alzheimer's Disease (AD). Neuroradiologists examine 3D sMRI to detect and monitor abnormalities in brain morphology due to AD, like global and/or local brain atrophy and shape alteration of characteristic structures. There is a strong research interest in developing diagnostic systems based on Deep Learning (DL) models to analyse sMRI for AD. However, anatomical information extracted from an sMRI examination needs to be interpreted together with patient's age to distinguish AD patterns from the regular alteration due to a normal ageing process. In this context, part-prototype neural networks integrate the computational advantages of DL in an interpretable-by-design architecture and showed promising results in medical imaging applications. We present PIMPNet, the first interpretable multimodal model for 3D images and demographics applied to the binary classification of AD from 3D sMRI and patient's age. Despite age prototypes do not improve predictive performance compared to the single modality model, this lays the foundation for future work in the direction of the model's design and multimodal prototype training process
Abstract（参考訳）: アルツハイマー病(AD)のような認知症の臨床診断を支援するために、構造的磁気共鳴画像(sMRI)のようなボリューム神経画像検査が日常的に適用されている。神経放射線学者は3D sMRIを用いて、大域および局所脳萎縮や特徴構造の形状変化など、ADによる脳形態の異常を検出し、監視する。深層学習(DL)モデルに基づく診断システムの開発には,ADのためのsMRIを解析する研究が盛んに行われている。しかし, sMRI検査から抽出した解剖学的情報は, 正常な加齢によるADパターンと正常な変化とを区別するために, 患者の年齢とともに解釈する必要がある。この文脈において、部分プロトタイプニューラルネットワークは、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し、医療画像応用において有望な結果を示した。 PIMPNetは3次元画像と人口統計学のための最初の解釈可能なマルチモーダルモデルであり、3次元sMRIと患者の年齢からADのバイナリ分類に適用した。老朽化プロトタイプは単一モダリティモデルと比較して予測性能を向上しないが、モデルの設計とマルチモーダルプロトタイプトレーニングプロセスの方向性における今後の研究の基盤となる。

関連論文リスト

MindFormer: A Transformer Architecture for Multi-Subject Brain Decoding via fMRI [50.55024115943266]
我々は、fMRI条件の特徴ベクトルを生成するためにMindFormerと呼ばれる新しいトランスフォーマーアーキテクチャを導入する。 MindFormerは,1)fMRI信号から意味論的に意味のある特徴を抽出するIP-Adapterに基づく新しいトレーニング戦略,2)fMRI信号の個人差を効果的に捉える主観的トークンと線形層である。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans [2.8254815749464544]
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プロトタイプPP-NNであるPIPNet3Dを提案する。構造型磁気共鳴画像(sMRI)によるアルツハイマー病の臨床診断にPIPNet3Dを適用した。
論文参考訳（メタデータ） (2024-03-27T08:09:04Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
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)
Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文参考訳（メタデータ） (2023-07-31T02:04:05Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文参考訳（メタデータ） (2022-04-01T22:48:08Z)
DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文参考訳（メタデータ） (2022-03-17T05:42:00Z)
Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。次に,大規模構造スキャンから空間整合機能画像を合成する。時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文参考訳（メタデータ） (2021-04-10T03:16:33Z)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
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)

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。