論文の概要: Modality-Agnostic Style Transfer for Holistic Feature Imputation

• arxiv url: http://arxiv.org/abs/2503.02898v1
• Date: Mon, 03 Mar 2025 07:09:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:57.863742
• Title: Modality-Agnostic Style Transfer for Holistic Feature Imputation
• Title（参考訳）: ホロスティックな特徴量計算のためのモダリティ-非依存型変換法
• Authors: Seunghun Baek, Jaeyoon Sim, Mustafa Dere, Minjeong Kim, Guorong Wu, Won Hwa Kim,
• Abstract要約: 本稿では,既存の計測手法を用いて,特定の被験者に対する観測不能なイメージング尺度を生成する枠組みを提案する。 本フレームワークはAD特化コンテンツを保存しながらモダリティ特化スタイルを転送する。 これは、モダリティに依存しないがAD固有の情報を保存するドメイン・ディバイサル・トレーニングによって行われ、生成的ディバイサル・ネットワークは区別できないモダリティ固有のスタイルを付加する。
• 参考スコア（独自算出の注目度）: 5.62583732398926
• License:
• Abstract: Characterizing a preclinical stage of Alzheimer's Disease (AD) via single imaging is difficult as its early symptoms are quite subtle. Therefore, many neuroimaging studies are curated with various imaging modalities, e.g., MRI and PET, however, it is often challenging to acquire all of them from all subjects and missing data become inevitable. In this regards, in this paper, we propose a framework that generates unobserved imaging measures for specific subjects using their existing measures, thereby reducing the need for additional examinations. Our framework transfers modality-specific style while preserving AD-specific content. This is done by domain adversarial training that preserves modality-agnostic but AD-specific information, while a generative adversarial network adds an indistinguishable modality-specific style. Our proposed framework is evaluated on the Alzheimer's Disease Neuroimaging Initiative (ADNI) study and compared with other imputation methods in terms of generated data quality. Small average Cohen's $d$ $< 0.19$ between our generated measures and real ones suggests that the synthetic data are practically usable regardless of their modality type.
• Abstract（参考訳）: アルツハイマー病(AD)の前臨床段階を単一画像で特徴付けることは、初期症状が極めて微妙であるため困難である。 したがって、多くのニューロイメージング研究は、例えば、MRI、PETといった様々な画像モダリティで治療されているが、全ての被験者から全ての画像を取得することはしばしば困難であり、欠落したデータは避けられない。 そこで本研究では,既存の測定方法を用いて,対象者に対して観測不能な画像計測を行う枠組みを提案し,追加検査の必要性を低減した。 本フレームワークはAD特化コンテンツを保存しながらモダリティ特化スタイルを転送する。 これは、モダリティに依存しないがAD固有の情報を保存するドメイン・ディバイサル・トレーニングによって行われ、生成的ディバイサル・ネットワークは区別できないモダリティ固有のスタイルを付加する。 提案手法はアルツハイマー病神経画像イニシアチブ (ADNI) の研究で評価され, 生成したデータ品質の観点から他の計算方法と比較された。 小さな平均的なコーエンの$d$<0.19$は、我々の生成した測度と実測値の間にある。

関連論文リスト

• MRI Patterns of the Hippocampus and Amygdala for Predicting Stages of Alzheimer's Progression: A Minimal Feature Machine Learning Framework [0.0]
  本研究では、構造的MRIデータを活用する最小機能機械学習フレームワークを提案し、興味のある領域として海馬と扁桃体に焦点を当てた。 このフレームワークは、特徴選択による次元の呪いに対処し、地域固有のボクセル情報を利用し、ノイズを低減して分類性能を向上させる革新的なデータ組織を実装している。
  論文  参考訳（メタデータ） (2025-01-10T10:47:00Z)
• Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。 本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:26:00Z)
• Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。 本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。 脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
  論文  参考訳（メタデータ） (2023-10-25T19:02:57Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
  本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。 本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-13T15:40:50Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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)
• Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement and Gated Fusion [71.87627318863612]
  画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。 我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。 我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-02-22T14:32:04Z)

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。