論文の概要: Enhancing Alzheimer's Diagnosis: Leveraging Anatomical Landmarks in Graph Convolutional Neural Networks on Tetrahedral Meshes

• arxiv url: http://arxiv.org/abs/2503.05031v1
• Date: Thu, 06 Mar 2025 23:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:23:13.671771
• Title: Enhancing Alzheimer's Diagnosis: Leveraging Anatomical Landmarks in Graph Convolutional Neural Networks on Tetrahedral Meshes
• Title（参考訳）: アルツハイマーの診断の強化:テトラドラルメッシュ上のグラフ畳み込みニューラルネットワークにおける解剖学的ランドマークの活用
• Authors: Yanxi Chen, Mohammad Farazi, Zhangsihao Yang, Yonghui Fan, Nicholas Ashton, Eric M Reiman, Yi Su, Yalin Wang,
• Abstract要約: アルツハイマー病(英: Alzheimer's disease、AD)は、世界中の何百万もの人に影響を及ぼす主要な神経変性疾患である。 脳構造核磁気共鳴イメージング(sMRI)は、AD診断のためのより安全で便利な解決策を提供する可能性がある。 近年の幾何学的深層学習の進歩は、sMRI解析とADの早期診断を助長している。
• 参考スコア（独自算出の注目度）: 16.100668392804476
• License:
• Abstract: Alzheimer's disease (AD) is a major neurodegenerative condition that affects millions around the world. As one of the main biomarkers in the AD diagnosis procedure, brain amyloid positivity is typically identified by positron emission tomography (PET), which is costly and invasive. Brain structural magnetic resonance imaging (sMRI) may provide a safer and more convenient solution for the AD diagnosis. Recent advances in geometric deep learning have facilitated sMRI analysis and early diagnosis of AD. However, determining AD pathology, such as brain amyloid deposition, in preclinical stage remains challenging, as less significant morphological changes can be observed. As a result, few AD classification models are generalizable to the brain amyloid positivity classification task. Blood-based biomarkers (BBBMs), on the other hand, have recently achieved remarkable success in predicting brain amyloid positivity and identifying individuals with high risk of being brain amyloid positive. However, individuals in medium risk group still require gold standard tests such as Amyloid PET for further evaluation. Inspired by the recent success of transformer architectures, we propose a geometric deep learning model based on transformer that is both scalable and robust to variations in input volumetric mesh size. Our work introduced a novel tokenization scheme for tetrahedral meshes, incorporating anatomical landmarks generated by a pre-trained Gaussian process model. Our model achieved superior classification performance in AD classification task. In addition, we showed that the model was also generalizable to the brain amyloid positivity prediction with individuals in the medium risk class, where BM alone cannot achieve a clear classification. Our work may enrich geometric deep learning research and improve AD diagnosis accuracy without using expensive and invasive PET scans.
• Abstract（参考訳）: アルツハイマー病(英: Alzheimer's disease、AD)は、世界中の何百万もの人に影響を及ぼす主要な神経変性疾患である。 AD診断における主要なバイオマーカーの1つとして、脳アミロイド陽性は一般的にポジトロン・エミッション・トモグラフィ(PET)によって同定される。 脳構造核磁気共鳴イメージング(sMRI)は、AD診断のためのより安全で便利な解決策を提供する可能性がある。 近年の幾何学的深層学習の進歩は、sMRI解析とADの早期診断を助長している。 しかし、脳内アミロイド沈着などのADの病態の決定は、有意な形態変化が観察できないため、前臨床段階において難しいままである。 その結果、脳アミロイド陽性分類タスクに一般化可能なAD分類モデルはほとんどない。 一方、血液ベースのバイオマーカー(BBBM)は、最近、脳アミロイド陽性のリスクが高い個体を同定し、脳アミロイド陽性の予測において顕著な成功を収めた。 しかし、中リスクグループの個人は、さらなる評価のためにアミロイドPETのような金の標準検査を必要とする。 近年の変圧器アーキテクチャの成功に触発されて,入力容積メッシュサイズの変化に対してスケーラブルかつ堅牢な変圧器に基づく幾何学的深層学習モデルを提案する。 本研究は,前訓練したガウス過程モデルにより生成された解剖学的ランドマークを取り入れた,四面体メッシュの新しいトークン化手法を導入した。 本モデルはAD分類タスクにおいて優れた分類性能を達成した。 また,中型リスククラスでは,BM単独では明確な分類が得られない脳アミロイド陽性の予測には,モデルが一般化可能であることを示した。 本研究は,高価で侵襲的なPETスキャンを用いることなく,幾何学的深層学習研究を充実させ,AD診断精度を向上させることができる。

関連論文リスト

• Clustering Alzheimer's Disease Subtypes via Similarity Learning and Graph Diffusion [14.536841566365048]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、世界中の何百万人もの人に影響を及ぼす複雑な神経変性疾患である。 本研究の目的は,臨床像や病態を特徴とするADのサブタイプを同定することである。
  論文  参考訳（メタデータ） (2024-10-04T21:38:14Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer's Detection [0.0]
  本稿では,異なるスケールでの情報抽出と効率的な情報フローを組み合わせた新しいグラニュラー特徴統合手法を提案する。 また,MRIにおける微妙な神経線維の絡み合いとアミロイドプラークの強調を目的としたバイフォーカスパースペクティブ機構を提案する。 我々のモデルはF1スコア99.31%、精度99.24%、リコール99.51%を達成した。
  論文  参考訳（メタデータ） (2024-07-15T17:22:16Z)
• A Surface-Based Federated Chow Test Model for Integrating APOE Status, Tau Deposition Measure, and Hippocampal Surface Morphometry [18.36168858563601]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、認知症で最も一般的な疾患であり、CDCのデータによると65歳以上の6200万人に影響を及ぼす。 有効なAD診断バイオマーカーの発見は、公衆衛生上の大きな利益をもたらす可能性があると一般的に合意されている。
  論文  参考訳（メタデータ） (2023-03-31T21:17:54Z)
• 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)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)
• ICAM-reg: Interpretable Classification and Regression with Feature Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
  本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。 Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。 本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
  論文  参考訳（メタデータ） (2021-03-03T17:55:14Z)
• Deep Convolutional Neural Network based Classification of Alzheimer's Disease using MRI data [8.609787905151563]
  アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。 本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。 このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
  論文  参考訳（メタデータ） (2021-01-08T06:51:08Z)
• 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)

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。