論文の概要: Brain age identification from diffusion MRI synergistically predicts neurodegenerative disease

• arxiv url: http://arxiv.org/abs/2410.22454v1
• Date: Tue, 29 Oct 2024 18:42:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:27:54.578828
• Title: Brain age identification from diffusion MRI synergistically predicts neurodegenerative disease
• Title（参考訳）: 拡散MRIによる脳年齢の同定は神経変性疾患を相乗的に予測する
• Authors: Chenyu Gao, Michael E. Kim, Karthik Ramadass, Praitayini Kanakaraj, Aravind R. Krishnan, Adam M. Saunders, Nancy R. Newlin, Ho Hin Lee, Qi Yang, Warren D. Taylor, Brian D. Boyd, Lori L. Beason-Held, Susan M. Resnick, Lisa L. Barnes, David A. Bennett, Katherine D. Van Schaik, Derek B. Archer, Timothy J. Hohman, Angela L. Jefferson, Ivana Išgum, Daniel Moyer, Yuankai Huo, Kurt G. Schilling, Lianrui Zuo, Shunxing Bao, Nazirah Mohd Khairi, Zhiyuan Li, Christos Davatzikos, Bennett A. Landman,
• Abstract要約: 本稿では,モデルによるマクロ構造情報の使用を最小限に抑えたdMRIによる脳年齢同定手法を提案する。 我々は、dMRIベースの脳年齢とT1w MRIベースの脳年齢の違いを神経変性の段階で観察した。
• 参考スコア（独自算出の注目度）: 13.531048347211021
• License:
• Abstract: Estimated brain age from magnetic resonance image (MRI) and its deviation from chronological age can provide early insights into potential neurodegenerative diseases, supporting early detection and implementation of prevention strategies. Diffusion MRI (dMRI), a widely used modality for brain age estimation, presents an opportunity to build an earlier biomarker for neurodegenerative disease prediction because it captures subtle microstructural changes that precede more perceptible macrostructural changes. However, the coexistence of macro- and micro-structural information in dMRI raises the question of whether current dMRI-based brain age estimation models are leveraging the intended microstructural information or if they inadvertently rely on the macrostructural information. To develop a microstructure-specific brain age, we propose a method for brain age identification from dMRI that minimizes the model's use of macrostructural information by non-rigidly registering all images to a standard template. Imaging data from 13,398 participants across 12 datasets were used for the training and evaluation. We compare our brain age models, trained with and without macrostructural information minimized, with an architecturally similar T1-weighted (T1w) MRI-based brain age model and two state-of-the-art T1w MRI-based brain age models that primarily use macrostructural information. We observe difference between our dMRI-based brain age and T1w MRI-based brain age across stages of neurodegeneration, with dMRI-based brain age being older than T1w MRI-based brain age in participants transitioning from cognitively normal (CN) to mild cognitive impairment (MCI), but younger in participants already diagnosed with Alzheimer's disease (AD). Approximately 4 years before MCI diagnosis, dMRI-based brain age yields better performance than T1w MRI-based brain ages in predicting transition from CN to MCI.
• Abstract（参考訳）: 磁気共鳴画像(MRI)から推定される脳年齢と、その時系列からの逸脱は、潜在的な神経変性疾患に関する早期の洞察を与え、早期発見と予防戦略の実行を支援する。 拡散MRI(Diffusion MRI、dMRI)は、より知覚可能なマクロ構造変化に先行する微妙な微細構造変化を捉えるため、神経変性疾患予測のための初期のバイオマーカーを構築する機会を提供する。 しかし、dMRIにおけるマクロ・マイクロ構造情報の共存は、現在のdMRIベースの脳年齢推定モデルが意図したミクロ構造情報を活用しているのか、あるいはマクロ構造情報を不注意に頼っているのかという疑問を提起する。 そこで本研究では,すべての画像を標準テンプレートに非厳密に登録することで,モデルによるマクロ構造情報の使用を最小限に抑える,dMRIからの脳年齢識別手法を提案する。 トレーニングと評価には,12データセットにわたる13,398人の被験者の画像データを使用した。 構造的に類似したT1-weighted (T1w) MRIベースの脳年齢モデルと、主にマクロ構造情報を使用する最先端のT1w MRIベースの2つの脳年齢モデルとの比較を行った。 認知正常(CN)から軽度認知障害(MCI)へ移行した参加者の脳年齢は,すでにアルツハイマー病(AD)と診断されている参加者では,dMRIベースの脳年齢とT1w MRIベースの脳年齢との差を観察した。 MCI診断の約4年前、dMRIベースの脳年齢は、CNからMCIへの移行を予測する上で、T1w MRIベースの脳年齢よりも優れたパフォーマンスを得る。

関連論文リスト

• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• 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)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Robust Brain Age Estimation via Regression Models and MRI-derived Features [2.028990630951476]
  本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。 提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
  論文  参考訳（メタデータ） (2023-06-08T19:07:22Z)
• 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)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
  脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。 3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
  論文  参考訳（メタデータ） (2020-10-07T01:24:15Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。