論文の概要: Single Domain Generalization for Alzheimer's Detection from 3D MRIs with Pseudo-Morphological Augmentations and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2505.22465v2
• Date: Thu, 29 May 2025 18:07:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 12:43:13.132943
• Title: Single Domain Generalization for Alzheimer's Detection from 3D MRIs with Pseudo-Morphological Augmentations and Contrastive Learning
• Title（参考訳）: Pseudo-Morphological AugmentationとContrastive Learningを用いた3次元MRIからのアルツハイマー検出のための単一領域の一般化
• Authors: Zobia Batool, Huseyin Ozkan, Erchan Aptoula,
• Abstract要約: この記事では、単一領域の一般化設定に焦点を当てる。 脳形態学はアルツハイマーの診断において重要な役割を担っていることが知られているため、学習可能な擬似形態学モジュールの使用を提案する。 3つのデータセットで実施された実験では、パフォーマンスと一般化能力が改善された。
• 参考スコア（独自算出の注目度）: 6.412315842374278
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Although Alzheimer's disease detection via MRIs has advanced significantly thanks to contemporary deep learning models, challenges such as class imbalance, protocol variations, and limited dataset diversity often hinder their generalization capacity. To address this issue, this article focuses on the single domain generalization setting, where given the data of one domain, a model is designed and developed with maximal performance w.r.t. an unseen domain of distinct distribution. Since brain morphology is known to play a crucial role in Alzheimer's diagnosis, we propose the use of learnable pseudo-morphological modules aimed at producing shape-aware, anatomically meaningful class-specific augmentations in combination with a supervised contrastive learning module to extract robust class-specific representations. Experiments conducted across three datasets show improved performance and generalization capacity, especially under class imbalance and imaging protocol variations. The source code will be made available upon acceptance at https://github.com/zobia111/SDG-Alzheimer.
• Abstract（参考訳）: MRIによるアルツハイマー病の検出は、現代のディープラーニングモデルのおかげで大幅に進歩しているが、クラス不均衡、プロトコルのバリエーション、限られたデータセットの多様性といった課題は、一般化能力を妨げていることが多い。 この問題に対処するために、この記事では、一つのドメインのデータが与えられた場合、モデルは、異なる分布の目に見えない領域である最大性能で設計され、開発される、単一ドメインの一般化設定に焦点を当てる。 脳形態学はアルツハイマーの診断において重要な役割を担っていることが知られており、我々は、頑健なクラス固有の表現を抽出するために、教師付きコントラスト学習モジュールと組み合わせて、形状認識、解剖学的に意味のあるクラス固有の拡張を意図した学習可能な擬形態モジュールの使用を提案する。 3つのデータセットで行われた実験では、特にクラス不均衡とイメージングプロトコルのバリエーション下で、パフォーマンスと一般化能力が改善された。 ソースコードはhttps://github.com/zobia111/SDG-Alzheimerで利用可能になる。

関連論文リスト

• Distance Transform Guided Mixup for Alzheimer's Detection [6.412315842374278]
  本研究では、よく知られた混合手法を拡張することで、単一ドメインの一般化に焦点を当てる。 提案手法は脳の構造を保ちながら多様なデータを生成する。 実験結果から,ADNIデータセットとAIBLデータセットの両方で,一般化性能が向上した。
  論文  参考訳（メタデータ） (2025-05-28T14:56:59Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
  静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。 深層学習はこれらの表現を捉えることを約束している。 本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
  論文  参考訳（メタデータ） (2024-10-30T23:51:31Z)
• 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)
• A reproducible 3D convolutional neural network with dual attention module (3D-DAM) for Alzheimer's disease classification [1.5566524830295307]
  本稿では,アルツハイマー病分類のための2つの注意モジュールを備えた3次元畳み込みニューラルネットワークを提案する。 このモデルをADNIデータベースでトレーニングし、2つの独立したデータセットで本手法の一般化性を検証する。
  論文  参考訳（メタデータ） (2023-10-19T08:33:23Z)
• 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)
• 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)
• 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)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)

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。