Fugu-MT 論文翻訳(概要): 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks

論文の概要: 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks

arxiv url: http://arxiv.org/abs/2407.17380v1
Date: Wed, 24 Jul 2024 16:04:18 GMT
ステータス: 処理完了
システム内更新日: 2024-07-25 13:15:22.829575
Title: 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks
Title（参考訳）: MRIに基づくパーキンソン病分類のための2次元および3次元ディープラーニングモデル:畳み込みコルモゴロフ・アルノルドネットワーク、畳み込みニューラルネットワーク、グラフ畳み込みネットワークの比較解析
Authors: Salil B Patel, Vicky Goh, James F FitzGerald, Chrystalina A Antoniades,
Abstract要約: MRIに基づくパーキンソン病(PD)分類のためのConvolutional Kolmogorov-Arnold Networks(ConvKANs)の3次元実装 ConvKANは、学習可能なB-スプライン関数と畳み込み層を統合する。 Graph Convolutional Networks (GCN)は、MRIデータをグラフとして表現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Early and accurate diagnosis of Parkinson's Disease (PD) remains challenging. This study compares deep learning architectures for MRI-based PD classification, introducing the first three-dimensional (3D) implementation of Convolutional Kolmogorov-Arnold Networks (ConvKANs), a new approach that combines convolution layers with adaptive, spline-based activations. We evaluated Convolutional Neural Networks (CNNs), ConvKANs, and Graph Convolutional Networks (GCNs) using three open-source datasets; a total of 142 participants (75 with PD and 67 age-matched healthy controls). For 2D analysis, we extracted 100 axial slices centred on the midbrain from each T1-weighted scan. For 3D analysis, we used the entire volumetric scans. ConvKANs integrate learnable B-spline functions with convolutional layers. GCNs represent MRI data as graphs, theoretically capturing structural relationships that may be overlooked by traditional approaches. Interpretability visualizations, including the first ConvKAN spline activation maps, and projections of graph node embeddings, were depicted. ConvKANs demonstrated high performance across datasets and dimensionalities, achieving the highest 2D AUROC (0.98) in one dataset and matching CNN peak 3D performance (1.00). CNN models performed well, while GCN models improved in 3D analyses, reaching up to 0.97 AUROC. 3D implementations yielded higher AUROC values compared to 2D counterparts across all models. ConvKAN implementation shows promise for MRI analysis in PD classification, particularly in the context of early diagnosis. The improvement in 3D analyses highlights the value of volumetric data in capturing subtle PD-related changes. While MRI is not currently used for PD diagnosis, these findings suggest its potential as a component of a multimodal diagnostic approach, especially for early detection.
Abstract（参考訳）: パーキンソン病(PD)の早期かつ正確な診断はいまだに困難である。本研究では、MRIに基づくPD分類のためのディープラーニングアーキテクチャを比較し、コンボリュータル・コルモゴロフ・アルノルドネットワーク(ConvKANs)の最初の3次元(3次元)実装を導入し、畳み込み層と適応的なスプラインベースのアクティベーションを組み合わせた新しいアプローチを提案する。我々は3つのオープンソースデータセットを用いて、畳み込みニューラルネットワーク(CNN)、畳み込みニューラルネットワーク(ConvKAN)、グラフ畳み込みニューラルネットワーク(GCN)を評価した。 2次元解析では, 各T1強調スキャンから中脳中心の100軸スライスを抽出した。 3次元解析では,全容スキャンを用いた。 ConvKANは、学習可能なB-スプライン関数と畳み込み層を統合する。 GCNはMRIデータをグラフとして表現し、理論上従来のアプローチで見落とされうる構造的関係を捉えている。最初のConvKANスプラインアクティベーションマップやグラフノード埋め込みのプロジェクションを含む解釈可能性ビジュアライゼーションを描いている。 ConvKANはデータセットと次元のハイパフォーマンスを示し、1つのデータセットで2D AUROC (0.98) を達成し、CNNのピーク3Dパフォーマンス(1.00)と一致した。 CNNモデルは良好に動作し、GCNモデルは3D解析で改善され、最大0.97AUROCに達した。 3D 実装は AUROC の値が, 全モデルで 2D の値よりも高い値を示した。 ConvKANの実装は、特に早期診断の文脈において、PD分類におけるMRI解析の可能性を示唆している。 3D解析の改善は、微妙なPD関連変化を捉える際のボリュームデータの価値を強調している。現在MRIはPD診断には使用されていないが、これらの所見は特に早期診断においてマルチモーダル診断アプローチの構成要素としての可能性を示している。

関連論文リスト

Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文参考訳（メタデータ） (2024-11-25T13:53:26Z)
Deep Convolutional Neural Networks on Multiclass Classification of Three-Dimensional Brain Images for Parkinson's Disease Stage Prediction [2.931680194227131]
パーキンソン病の病期を正確に予測できるモデルを開発した。我々は3次元脳画像全体を入力として使用した。予測過程において,異なるスライスの重要性を考慮に入れた注意機構を組み込んだ。
論文参考訳（メタデータ） (2024-10-31T05:40:08Z)
AlzhiNet: Traversing from 2DCNN to 3DCNN, Towards Early Detection and Diagnosis of Alzheimer's Disease [1.6908255257928966]
2次元畳み込みニューラルネットワーク(2D-CNN)と3次元畳み込みニューラルネットワーク(3D-CNN)を統合した新しいハイブリッドディープラーニングフレームワークを提案する。我々のフレームワークはKaggleとMIRIADのデータセットから磁気共鳴イメージング(MRI)で検証され、それぞれ98.9%と99.99%、AUCは100%である。
論文参考訳（メタデータ） (2024-10-03T17:37:18Z)
CT evaluation of 2D and 3D holistic deep learning methods for the volumetric segmentation of airway lesions [0.04568852250743578]
本研究では,2次元モデルと3次元モデルを比較し,粘液プラグやコンソリデーションなどの複雑な特徴を捉える上で,3次元モデルが優れていることを示す。また、モデルの解釈可能性と信頼性を総合的に評価し、臨床応用に有用な洞察を提供した。
論文参考訳（メタデータ） (2024-03-12T19:34:50Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI [14.101371684361675]
我々はZ-SSMNet(Z-SSMNet)を提案する。 Z-SSMNetは、多次元(2D/2.5D/3D)畳み込みを適応的に統合し、高密度スライス情報と異方性bpMRIのスパースス間情報を学習する。大規模未ラベルデータを用いてネットワークを事前学習するための自己教師付き学習(SSL)手法を提案する。
論文参考訳（メタデータ） (2022-12-12T10:08:46Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文参考訳（メタデータ） (2020-10-29T15:39:19Z)
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。