Fugu-MT 論文翻訳(概要): Deeply Supervised Multi-Task Autoencoder for Biological Brain Age estimation using three dimensional T$

論文の概要: Deeply Supervised Multi-Task Autoencoder for Biological Brain Age estimation using three dimensional T$_1$-weighted magnetic resonance imaging

arxiv url: http://arxiv.org/abs/2508.01565v1
Date: Sun, 03 Aug 2025 03:24:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-05 18:25:21.942756
Title: Deeply Supervised Multi-Task Autoencoder for Biological Brain Age estimation using three dimensional T$_1$-weighted magnetic resonance imaging
Title（参考訳）: 3次元T$_1$-weighted MRIを用いた生体脳年齢推定用マルチタスクオートエンコーダ
Authors: Mehreen Kanwal, Yunsik Son,
Abstract要約: 脳年齢推定のためのDeply Supervised Multitask Autoencoder (DSMT-AE) フレームワークを提案する。 DSMT-AEは、訓練中に中間層に監視信号を適用するディープ・インスペクションを採用している。我々は、Open Brain Health Benchmarkデータセット上でDSMT-AEを広範囲に評価した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate estimation of biological brain age from three dimensional (3D) T$_1$-weighted magnetic resonance imaging (MRI) is a critical imaging biomarker for identifying accelerated aging associated with neurodegenerative diseases. Effective brain age prediction necessitates training 3D models to leverage comprehensive insights from volumetric MRI scans, thereby fully capturing spatial anatomical context. However, optimizing deep 3D models remains challenging due to problems such as vanishing gradients. Furthermore, brain structural patterns differ significantly between sexes, which impacts aging trajectories and vulnerability to neurodegenerative diseases, thereby making sex classification crucial for enhancing the accuracy and generalizability of predictive models. To address these challenges, we propose a Deeply Supervised Multitask Autoencoder (DSMT-AE) framework for brain age estimation. DSMT-AE employs deep supervision, which involves applying supervisory signals at intermediate layers during training, to stabilize model optimization, and multitask learning to enhance feature representation. Specifically, our framework simultaneously optimizes brain age prediction alongside auxiliary tasks of sex classification and image reconstruction, thus effectively capturing anatomical and demographic variability to improve prediction accuracy. We extensively evaluate DSMT-AE on the Open Brain Health Benchmark (OpenBHB) dataset, the largest multisite neuroimaging cohort combining ten publicly available datasets. The results demonstrate that DSMT-AE achieves state-of-the-art performance and robustness across age and sex subgroups. Additionally, our ablation study confirms that each proposed component substantially contributes to the improved predictive accuracy and robustness of the overall architecture.
Abstract（参考訳）: 3次元T$_1$-weighted magnetic resonance imaging (MRI) からの生体脳年齢の正確な推定は、神経変性疾患に関連する加速老化を識別するための重要なイメージングバイオマーカーである。効果的な脳年齢予測は、体積MRIスキャンからの総合的な洞察を活用するために3Dモデルを訓練する必要があるため、空間解剖学的コンテキストを完全に捉える必要がある。しかし、勾配の消失などの問題により、深部3次元モデルの最適化は依然として困難である。さらに、脳の構造パターンは、老化軌跡や神経変性疾患の脆弱性に影響を及ぼす性別によって大きく異なるため、予測モデルの正確性と一般化性を高めるために、性分類が重要である。これらの課題に対処するため,脳年齢推定のためのDeply Supervised Multitask Autoencoder (DSMT-AE) フレームワークを提案する。 DSMT-AEは、訓練中に中間層に監視信号を適用すること、モデルの最適化を安定化すること、特徴表現を強化するためにマルチタスク学習を深く監督する。具体的には、性別分類と画像再構成の補助的なタスクとともに、脳年齢予測を同時に最適化し、解剖学的および人口動態の変動を効果的に把握し、予測精度を向上させる。 Open Brain Health Benchmark (OpenBHB) データセット上でDSMT-AEを広範囲に評価した。その結果,DSMT-AEは,年齢と性別のサブグループ間で,最先端のパフォーマンスとロバスト性を達成できることが示唆された。さらに,本研究では,提案する各コンポーネントが,アーキテクチャ全体の予測精度と堅牢性の向上に大きく貢献することを確認した。

関連論文リスト

Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。このフレームワークは、直接登録モデルと条件判別器を組み合わせる。妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
論文参考訳（メタデータ） (2025-08-06T15:07:39Z)
Biological Brain Age Estimation using Sex-Aware Adversarial Variational Autoencoder with Multimodal Neuroimages [8.610253537046692]
性対応性差型自動エンコーダ(SA-AVAE)を用いた脳年齢推定のための新しい枠組みを提案する。我々は、潜在空間をモダリティ固有のコードと共有コードに分解し、モダリティの相補的および共通的な情報を表す。我々は、学習した潜伏コードに性情報を組み込んで、モデルが脳年齢推定のために性固有の老化パターンをキャプチャすることを可能にする。
論文参考訳（メタデータ） (2024-12-07T12:10:29Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation [24.548441213107566]
本稿では,DGA-DMIL(Dual Graph Attention based Disentanglement Multi-instance Learning)フレームワークを提案する。次に,双対グラフ注意アグリゲータを提案し,instance内およびinter-instance間関係を利用してバックボーンの特徴を学習する。提案モデルでは,脳年齢推定における異常な精度を示し,英国バイオバンクで2.12年間の絶対誤差を達成した。
論文参考訳（メタデータ） (2024-03-02T16:13:06Z)
Triamese-ViT: A 3D-Aware Method for Robust Brain Age Estimation from MRIs [0.7770029179741429]
本稿では,脳年齢推定のためのViTモデルの革新的適応であるTriamese-ViTを紹介する。 1351のMRIスキャンでテストした結果、Triamese-ViTは平均絶対誤差(MAE)が3.84、スピアマン相関係数が0.9、スピアマン相関係数が-0.29である。
論文参考訳（メタデータ） (2024-01-13T03:29:56Z)
Robust Brain Age Estimation via Regression Models and MRI-derived Features [2.028990630951476]
本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
論文参考訳（メタデータ） (2023-06-08T19:07:22Z)
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)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文参考訳（メタデータ） (2022-01-31T09:39:52Z)
Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文参考訳（メタデータ） (2021-08-11T18:08:09Z)
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。