論文の概要: Multi-Stage Graph Learning for fMRI Analysis to Diagnose Neuro-Developmental Disorders

• arxiv url: http://arxiv.org/abs/2410.05342v1
• Date: Mon, 7 Oct 2024 03:31:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 19:17:28.538822
• Title: Multi-Stage Graph Learning for fMRI Analysis to Diagnose Neuro-Developmental Disorders
• Title（参考訳）: fMRI解析のための多段階グラフ学習による神経発達障害の診断
• Authors: Wenjing Gao, Yuanyuan Yang, Jianrui Wei, Xuntao Yin, Xinhan Di,
• Abstract要約: 限られたデータでより多くの情報を収集し、監督が不十分な学習フレームワークを開発することが重要である。 本稿では,fmriデータの不十分な監視に自己教師付きグラフ学習を取り入れた多段階グラフ学習フレームワークを提案する。 自閉症脳画像データ交換 ABIDE I, ABIDE II, ADHD with AAL1。
• 参考スコア（独自算出の注目度）: 7.673114492026627
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The insufficient supervision limit the performance of the deep supervised models for brain disease diagnosis. It is important to develop a learning framework that can capture more information in limited data and insufficient supervision. To address these issues at some extend, we propose a multi-stage graph learning framework which incorporates 1) pretrain stage : self-supervised graph learning on insufficient supervision of the fmri data 2) fine-tune stage : supervised graph learning for brain disorder diagnosis. Experiment results on three datasets, Autism Brain Imaging Data Exchange ABIDE I, ABIDE II and ADHD with AAL1,demonstrating the superiority and generalizability of the proposed framework compared to the state of art of models.(ranging from 0.7330 to 0.9321,0.7209 to 0.9021,0.6338 to 0.6699)
• Abstract（参考訳）: 脳疾患の診断のための深い教師付きモデルの性能を制限するのに十分な監督が不十分である。 限られたデータでより多くの情報を収集し、監督が不十分な学習フレームワークを開発することが重要である。 これらの問題をある程度拡張して解決するために,我々は多段階グラフ学習フレームワークを提案する。 1)事前訓練段階 : fmriデータの不十分な監視に関する自己教師付きグラフ学習 2)ファインチューンステージ : 脳疾患診断のための教師付きグラフ学習 AAL1を用いたAutism Brain Imaging Data Exchange ABIDE I, ABIDE II, ADHDの3つのデータセットの実験結果から, 提案したフレームワークの優位性と一般化性を, モデルの現状と比較した。 (0.7330→0.9321,0.7209→0.9021,0.6338→0.6699)

関連論文リスト

• Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion [2.7853513988338108]
  進行脳潜時モデル(BrLP)は3次元脳MRIで個々の疾患レベルの進行を予測するように設計されている。 BrLPを2,805例のT1強調(T1w)脳MRIで訓練し,962例の2,257例の外部MRIでその一般化性を検証した。
  論文  参考訳（メタデータ） (2025-02-12T16:47:41Z)
• Anatomical Foundation Models for Brain MRIs [6.993491018326816]
  我々は脳MRIの解剖学的基礎モデルであるAnatCLを提案する。 異なる条件の診断のための12の下流タスクについて検討する。 予備訓練中に解剖情報を組み込むことで,より堅牢で汎用的な表現が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-07T14:04:50Z)
• From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data [8.954593873296284]
  本稿では,限られた対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。 i)Barlow Twinsによるラベルなしデータに対する自己教師付き事前トレーニング、(ii)タスク関連データに対する自己蒸留、(iii)ターゲットデータセットに対する微調整の3つの重要なステージで構成されている。 私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
  論文  参考訳（メタデータ） (2024-04-09T12:25:06Z)
• 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)
• 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)
• Improving the Diagnosis of Psychiatric Disorders with Self-Supervised Graph State Space Models [0.0]
  静止機能磁気共鳴画像(rs-fMRI)から異種精神疾患の診断を改善するための枠組みを提案する。 rs-fMRIデータをモデル化するために、最近提案された状態空間モデルS4への拡張であるGraph-S4を開発した。 このフレームワークとGraph-S4を組み合わせることで、3つのオープンソースマルチセンター rs-fMRI 臨床データセットにおいて、MDD と ASD のニューロイメージングに基づく単体予測モデルの診断性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-06-07T14:15:43Z)
• 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)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。