論文の概要: OpenMAP-BrainAge: Generalizable and Interpretable Brain Age Predictor

• arxiv url: http://arxiv.org/abs/2506.17597v1
• Date: Sat, 21 Jun 2025 05:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.494341
• Title: OpenMAP-BrainAge: Generalizable and Interpretable Brain Age Predictor
• Title（参考訳）: OpenMAP-BrainAge: 汎用的で解釈可能な脳年齢予測器
• Authors: Pengyu Kan, Craig Jones, Kenichi Oishi,
• Abstract要約: 我々は,年齢予測モデルを構築し,人口統計学的・技術的MRIスキャンに頑健な年齢予測モデルを構築した。 モデルでは、3つの視点からT1次元擬似3次元MRIを処理し、線形脳情報を含む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To develop an age prediction model which is interpretable and robust to demographic and technological variances in brain MRI scans. Materials and Methods: We propose a transformer-based architecture that leverages self-supervised pre-training on large-scale datasets. Our model processes pseudo-3D T1-weighted MRI scans from three anatomical views and incorporates brain volumetric information. By introducing a stem architecture, we reduce the conventional quadratic complexity of transformer models to linear complexity, enabling scalability for high-dimensional MRI data. We trained our model on ADNI2 $\&$ 3 (N=1348) and OASIS3 (N=716) datasets (age range: 42 - 95) from the North America, with an 8:1:1 split for train, validation and test. Then, we validated it on the AIBL dataset (N=768, age range: 60 - 92) from Australia. Results: We achieved an MAE of 3.65 years on ADNI2 $\&$ 3 and OASIS3 test set and a high generalizability of MAE of 3.54 years on AIBL. There was a notable increase in brain age gap (BAG) across cognitive groups, with mean of 0.15 years (95% CI: [-0.22, 0.51]) in CN, 2.55 years ([2.40, 2.70]) in MCI, 6.12 years ([5.82, 6.43]) in AD. Additionally, significant negative correlation between BAG and cognitive scores was observed, with correlation coefficient of -0.185 (p < 0.001) for MoCA and -0.231 (p < 0.001) for MMSE. Gradient-based feature attribution highlighted ventricles and white matter structures as key regions influenced by brain aging. Conclusion: Our model effectively fused information from different views and volumetric information to achieve state-of-the-art brain age prediction accuracy, improved generalizability and interpretability with association to neurodegenerative disorders.
• Abstract（参考訳）: 目的: 脳MRIスキャンにおける年齢予測モデルの開発。 Materials and Methods: 大規模データセット上での自己教師付き事前トレーニングを活用するトランスフォーマーベースのアーキテクチャを提案する。 本モデルでは、3つの解剖学的視点から擬似3次元T1強調MRIスキャンを処理し、脳の容積情報を組み込む。 幹構造を導入することにより,トランスモデルの従来の二次的複雑性を線形的複雑性に低減し,高次元MRIデータのスケーラビリティを実現する。 ADNI2 $\&$ 3 (N=1348) と OASIS3 (N=716) データセット (年齢範囲: 42 - 95) を北米からトレーニングしました。 そして,オーストラリアからAIBLデータセット(N=768,年齢範囲:60～92)で検証した。 結果:ADNI2$\&$3およびOASIS3テストセットで3.65年のMAEを達成し,AIBLで3.54年のMAEを高い一般化性で達成した。 CNでは0.15年(95% CI: [-0.22, 0.51])、MCIでは2.55年([2.40, 2.70])、ADでは6.12年([5.82, 6.43])である。 また, MMSEでは-0.185 (p < 0.001) , MMSEでは-0.231 (p < 0.001) の相関係数を示した。 グラディエントに基づく特徴属性は、脳の老化に影響を及ぼす重要な領域として、心室と白質の構造を強調した。 結論: 本モデルでは, 異なる視点からの情報を効果的に融合し, 最先端の脳年齢予測精度を達成し, 神経変性疾患に関連する一般化性と解釈性を改善した。

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)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• MRI Volume-Based Robust Brain Age Estimation Using Weight-Shared Spatial Attention in 3D CNNs [3.038642416291856]
  提案モデルでは,CNNの各層に共有空間アテンション層が組み込まれ,さらに5層に高密度層が組み込まれている。 提案手法の斬新さは,CNN層間の共有重みを持つ空間的注意モジュールの概念にある。 提案手法は, 健常者516T1のMRI量からなるADNIデータセットを用いてトレーニングし, 平均絶対誤差(MAE)は1.662歳であった。
  論文  参考訳（メタデータ） (2024-07-09T09:00:21Z)
• 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)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。