論文の概要: Efficient Brain Imaging Analysis for Alzheimer's and Dementia Detection Using Convolution-Derivative Operations
- arxiv url: http://arxiv.org/abs/2411.13490v2
- Date: Fri, 22 Nov 2024 18:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-25 12:05:49.017027
- Title: Efficient Brain Imaging Analysis for Alzheimer's and Dementia Detection Using Convolution-Derivative Operations
- Title（参考訳）: 畳み込みデリバティブ・オペレーションを用いたアルツハイマー・認知症検出のための脳画像解析
- Authors: Yasmine Mustafa, Mohamed Elmahallawy, Tie Luo,
- Abstract要約: アルツハイマー病(英語版) (AD) は進行性神経変性を特徴とし、ヒト脳における有害な構造変化をもたらす。
VBM(Voxel-based morphometry)における空間正規化から導かれるジャコビアン写像は、ADに関連する体積変化の解釈に役立っている。
本研究では,計算効率の良い代替手段として,SKAD(Sobel kernel angle difference)を提案する。
- 参考スコア（独自算出の注目度）: 1.1674893622721483
- License:
- Abstract: Alzheimer's disease (AD) is characterized by progressive neurodegeneration and results in detrimental structural changes in human brains. Detecting these changes is crucial for early diagnosis and timely intervention of disease progression. Jacobian maps, derived from spatial normalization in voxel-based morphometry (VBM), have been instrumental in interpreting volume alterations associated with AD. However, the computational cost of generating Jacobian maps limits its clinical adoption. In this study, we explore alternative methods and propose Sobel kernel angle difference (SKAD) as a computationally efficient alternative. SKAD is a derivative operation that offers an optimized approach to quantifying volumetric alterations through localized analysis of the gradients. By efficiently extracting gradient amplitude changes at critical spatial regions, this derivative operation captures regional volume variations Evaluation of SKAD over various medical datasets demonstrates that it is 6.3x faster than Jacobian maps while still maintaining comparable accuracy. This makes it an efficient and competitive approach in neuroimaging research and clinical practice.
- Abstract（参考訳）: アルツハイマー病(英語版) (AD) は進行性神経変性を特徴とし、ヒト脳における有害な構造変化をもたらす。
これらの変化を検出することは、早期診断と病気進行のタイムリーな介入に不可欠である。
VBM(Voxel-based morphometry)における空間正規化から導かれるジャコビアン写像は、ADに関連する体積変化の解釈に役立っている。
しかし、ヤコビアン写像を生成する計算コストは、臨床応用を制限している。
本研究では,SKAD(Sobel kernel angle difference)を計算効率の良い代替手法として提案する。
SKADは、勾配の局所解析を通じて体積変化を定量化するための最適化されたアプローチを提供する微分演算である。
臨界空間領域における勾配振幅変化を効率よく抽出することにより、この微分演算は、様々な医学データセット上でのSKADの局所体積変化を捉えることにより、ジャコビアン写像よりも6.3倍高速でありながら、精度は相変わらず維持されていることを示す。
これにより、神経画像研究や臨床実践において効率的かつ競争力のあるアプローチとなる。
関連論文リスト
- AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - GS-EMA: Integrating Gradient Surgery Exponential Moving Average with
Boundary-Aware Contrastive Learning for Enhanced Domain Generalization in
Aneurysm Segmentation [41.97669338211682]
勾配手術指数移動平均(GS-EMA)最適化手法と境界対応コントラスト学習(BACL)を利用した新しい領域一般化戦略を提案する。
我々のアプローチは、ドメイン不変の特徴を学習することで、新しい未確認領域に適応し、様々な臨床データセット間での動脈瘤セグメンテーションの堅牢性と正確性を向上させることができるという点で際立っている。
論文 参考訳（メタデータ） (2024-02-23T10:02:15Z) - Fuzzy Information Seeded Region Growing for Automated Lesions After
Stroke Segmentation in MR Brain Images [0.0]
Fuzzy Information Seeded Region Growing (FISRG)アルゴリズムは、脳卒中病変の複雑で不規則な境界を規定する。
実験で得られた最も高いDiceスコアは94.2%であり、アルゴリズムの出力と専門家が検証した基底真理との高い類似性を示している。
FISRG法が脳卒中診断・治療における画像解析の進歩に大きく貢献する可能性が示唆された。
論文 参考訳（メタデータ） (2023-11-20T13:09:11Z) - 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) - Bayesian longitudinal tensor response regression for modeling
neuroplasticity [0.0]
縦断的神経画像研究における主要な関心は、訪問中の治療やその他の要因によるボクセルレベルの神経可塑性の研究である。
本研究では,空間分散ボクセル間で情報をプールする縦画像データに対する新しいベイズテンソル応答回帰手法を提案する。
提案手法は, 個別レベルの神経可塑性を推定し, パーソナライズされた疾患や回復軌道の検査を可能にする。
論文 参考訳（メタデータ） (2023-09-12T18:48:18Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Optimal Transport Features for Morphometric Population Analysis [12.477630681202609]
本稿では,不均衡な最適輸送に基づく特徴抽出のステップを付加して,形態計測解析を強化することを提案する。
最適な輸送特徴抽出ステップは、空間的に分散した組織損失を引き起こす病理の統計力を増加させる。
以上の結果から, 提案手法は組織の変化や, 測定不可能な相違を同定できることが示された。
論文 参考訳（メタデータ） (2022-08-11T15:46:32Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z) - Dynamic Functional Connectivity and Graph Convolution Network for
Alzheimer's Disease Classification [0.7723181091241251]
アルツハイマー病(AD)は認知症の最も一般的な形態である。従来の方法ではADの効率的かつ正確な診断ができない。
本稿では,脳の変化を効果的に捉えることのできる動的機能接続(dFC)に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2020-06-24T06:45:25Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z)
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。