論文の概要: Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages

• arxiv url: http://arxiv.org/abs/2412.05632v1
• Date: Sat, 07 Dec 2024 12:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:57:38.387714
• Title: Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages
• Title（参考訳）: マルチモーダル・ニューロイメージングを用いた性対応性差型オートエンコーダを用いた生物学的脳年齢推定
• Authors: Abd Ur Rehman, Azka Rehman, Muhammad Usman, Abdullah Shahid, Sung-Min Gho, Aleum Lee, Tariq M. Khan, Imran Razzak,
• Abstract要約: 性対応性差型自動エンコーダ(SA-AVAE)を用いた脳年齢推定のための新しい枠組みを提案する。 我々は、潜在空間をモダリティ固有のコードと共有コードに分解し、モダリティの相補的および共通的な情報を表す。 我々は、学習した潜伏コードに性情報を組み込んで、モデルが脳年齢推定のために性固有の老化パターンをキャプチャすることを可能にする。
• 参考スコア（独自算出の注目度）: 8.610253537046692
• License:
• Abstract: Brain aging involves structural and functional changes and therefore serves as a key biomarker for brain health. Combining structural magnetic resonance imaging (sMRI) and functional magnetic resonance imaging (fMRI) has the potential to improve brain age estimation by leveraging complementary data. However, fMRI data, being noisier than sMRI, complicates multimodal fusion. Traditional fusion methods often introduce more noise than useful information, which can reduce accuracy compared to using sMRI alone. In this paper, we propose a novel multimodal framework for biological brain age estimation, utilizing a sex-aware adversarial variational autoencoder (SA-AVAE). Our framework integrates adversarial and variational learning to effectively disentangle the latent features from both modalities. Specifically, we decompose the latent space into modality-specific codes and shared codes to represent complementary and common information across modalities, respectively. To enhance the disentanglement, we introduce cross-reconstruction and shared-distinct distance ratio loss as regularization terms. Importantly, we incorporate sex information into the learned latent code, enabling the model to capture sex-specific aging patterns for brain age estimation via an integrated regressor module. We evaluate our model using the publicly available OpenBHB dataset, a comprehensive multi-site dataset for brain age estimation. The results from ablation studies and comparisons with state-of-the-art methods demonstrate that our framework outperforms existing approaches and shows significant robustness across various age groups, highlighting its potential for real-time clinical applications in the early detection of neurodegenerative diseases.
• Abstract（参考訳）: 脳の老化は構造的および機能的な変化を伴うため、脳の健康にとって重要なバイオマーカーとなる。 構造的磁気共鳴画像(sMRI)と機能的磁気共鳴画像(fMRI)を組み合わせることで、相補的なデータを活用することで、脳年齢の推定を改善することができる。 しかし、sMRIよりノイズの多いfMRIデータでは、マルチモーダル融合が複雑になる。 従来の融合法は有用な情報よりも多くのノイズを発生させることが多く、sMRIのみを使用する場合に比べて精度が低下する可能性がある。 本稿では,性別対応の対人変動型オートエンコーダ(SA-AVAE)を用いた,生体脳年齢推定のための新しいマルチモーダルフレームワークを提案する。 本フレームワークは, 対向学習と変分学習を統合し, 潜伏した特徴を両モードから効果的に切り離す。 具体的には、ラテント空間をモダリティ固有符号と共有符号に分解し、各モダリティの相補的および共通的な情報をそれぞれ表現する。 整合性を高めるために,正規化用語としてクロスコンストラクションと共有差分距離比の損失を導入する。 重要なことは、学習した潜伏コードに性情報を組み込むことで、モデルが統合回帰器モジュールを介して、脳年齢推定のための性固有の老化パターンをキャプチャすることができることである。 我々は,脳年齢推定のための包括的マルチサイトデータセットであるOpenBHBデータセットを用いて,我々のモデルを評価する。 アブレーション研究と最先端手法との比較の結果,我々のフレームワークは既存のアプローチより優れており,様々な年齢層で有意な堅牢性を示し,神経変性疾患の早期発見におけるリアルタイム臨床応用の可能性を強調した。

関連論文リスト

• 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)
• Multi-Task Adversarial Variational Autoencoder for Estimating Biological Brain Age with Multimodal Neuroimaging [8.610253537046692]
  我々は、脳年齢予測を改善するために設計された独自のディープラーニングフレームワークであるMultitask Adversarial Variational Autoencoderを提案する。 このモデルは潜在変数を汎用的およびユニークなコードに分離し、共有およびモダリティ固有の特徴を分離する。 マルチタスク学習と性分類を付加的なタスクとして統合することにより、モデルが性固有の老化パターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-11-15T10:50:36Z)
• 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)
• SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
  脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。 脳年齢はMRIと機械学習技術を用いて予測できる。 我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
  論文  参考訳（メタデータ） (2024-06-01T08:58:40Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• 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)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)
• Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
  マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。 本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。 我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
  論文  参考訳（メタデータ） (2021-01-20T20:53:07Z)

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。