Fugu-MT 論文翻訳(概要): Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI

論文の概要: Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI

arxiv url: http://arxiv.org/abs/2507.09996v1
Date: Mon, 14 Jul 2025 07:31:40 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-15 18:48:24.469199
Title: Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
Title（参考訳）: マルチシェル拡散MRIを用いたアルツハイマー病診断用スイニングトランス
Authors: Quentin Dessain, Nicolas Delinte, Bernard Hanseeuw, Laurence Dricot, Benoît Macq,
Abstract要約: 階層型視覚変換器モデルであるSwin Transformerを用いたマルチシェルdMRIデータに基づく分類パイプラインを提案する。 DTIとNODDIの主なメトリクスを抽出し、2次元平面上に投影し、ImageNet-pretrained modelで転送学習を可能にする。診断群予測(認知正常,軽度認知障害,アルツハイマー病認知症,アミロイド状態分類)の枠組みについて検討した。
参考スコア（独自算出の注目度）: 1.0439136407307048
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective: This study aims to support early diagnosis of Alzheimer's disease and detection of amyloid accumulation by leveraging the microstructural information available in multi-shell diffusion MRI (dMRI) data, using a vision transformer-based deep learning framework. Methods: We present a classification pipeline that employs the Swin Transformer, a hierarchical vision transformer model, on multi-shell dMRI data for the classification of Alzheimer's disease and amyloid presence. Key metrics from DTI and NODDI were extracted and projected onto 2D planes to enable transfer learning with ImageNet-pretrained models. To efficiently adapt the transformer to limited labeled neuroimaging data, we integrated Low-Rank Adaptation. We assessed the framework on diagnostic group prediction (cognitively normal, mild cognitive impairment, Alzheimer's disease dementia) and amyloid status classification. Results: The framework achieved competitive classification results within the scope of multi-shell dMRI-based features, with the best balanced accuracy of 95.2% for distinguishing cognitively normal individuals from those with Alzheimer's disease dementia using NODDI metrics. For amyloid detection, it reached 77.2% balanced accuracy in distinguishing amyloid-positive mild cognitive impairment/Alzheimer's disease dementia subjects from amyloid-negative cognitively normal subjects, and 67.9% for identifying amyloid-positive individuals among cognitively normal subjects. Grad-CAM-based explainability analysis identified clinically relevant brain regions, including the parahippocampal gyrus and hippocampus, as key contributors to model predictions. Conclusion: This study demonstrates the promise of diffusion MRI and transformer-based architectures for early detection of Alzheimer's disease and amyloid pathology, supporting biomarker-driven diagnostics in data-limited biomedical settings.
Abstract（参考訳）: 目的: 本研究の目的は, 視覚トランスフォーマーを用いた深層学習フレームワークを用いて, 多層拡散MRI(dMRI)データから得られる微細構造情報を活用することで, アルツハイマー病の早期診断とアミロイド蓄積の検出を支援することである。方法: アルツハイマー病とアミロイドの存在の分類のための多殻dMRIデータに基づいて, 階層型視覚変換器モデルであるSwin Transformerを用いた分類パイプラインを提案する。 DTIとNODDIの主なメトリクスを抽出し、2次元平面上に投影し、ImageNet-pretrained modelで転送学習を可能にする。ラベル付きニューロイメージングデータに変換器を効率よく適応させるため,我々は低ランク適応を統合した。診断群予測(認知正常,軽度認知障害,アルツハイマー病認知症,アミロイド状態分類)の枠組みについて検討した。結果: このフレームワークは, 認知正常な個人と, NODDI測定値を用いたアルツハイマー病認知症とを識別するために, 95.2%のバランスの取れた精度で, マルチシェルdMRIに基づく特徴の範囲内で, 競争力のある分類結果を得た。アミロイド検出では、アミロイド陽性軽度認知障害/アルツハイマー病認知症患者とアミロイド陰性認知正常者とを区別する精度が77.2%、認知正常者のうちアミロイド陽性者を特定する精度が67.9%に達した。 Grad-CAMによる説明可能性分析では、副海馬と海馬を含む臨床に関係する脳の領域が、モデル予測の主要な要因として同定された。結論: 本研究は, アルツハイマー病およびアミロイド病の早期発見のための拡散MRIとトランスフォーマーベースアーキテクチャーの約束を実証し, バイオマーカーによる診断をデータ限定バイオメディカルセッティングで支援する。

関連論文リスト

Flexible and Explainable Graph Analysis for EEG-based Alzheimer's Disease Classification [11.038002513199299]
アルツハイマー病(英語: Alzheimer's Disease)は、認知症の最も一般的な形態の1つである進行性神経疾患である。近年の研究では、脳波データを用いて、アルツハイマー病患者と健康な個人を区別するバイオマーカーを同定している。
論文参考訳（メタデータ） (2025-04-02T03:29:12Z)
On the Within-class Variation Issue in Alzheimer's Disease Detection [60.08015780474457]
Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。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つの簡易かつ効果的な方法を提案する。
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)
AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文参考訳（メタデータ） (2024-07-02T16:44:00Z)
An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文参考訳（メタデータ） (2024-06-19T07:31:47Z)
A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文参考訳（メタデータ） (2024-05-13T17:49:20Z)
Tensor-Based Multi-Modality Feature Selection and Regression for Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。 3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文参考訳（メタデータ） (2022-09-23T02:17:27Z)
Morphological feature visualization of Alzheimer's disease via Multidirectional Perception GAN [40.50404819220093]
アルツハイマー病(AD)の重症度を示す形態的特徴を可視化するために, 新規な多方向知覚生成適応ネットワーク(MP-GAN)を提案する。 MP-GANは既存の手法に比べて優れた性能を発揮する。
論文参考訳（メタデータ） (2021-11-25T03:24:52Z)
Differential Diagnosis of Frontotemporal Dementia and Alzheimer's Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。 2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文参考訳（メタデータ） (2021-09-12T22:40:50Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。