論文の概要: A Generative Imputation Method for Multimodal Alzheimer's Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2508.09271v1
• Date: Tue, 12 Aug 2025 18:23:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.662096
• Title: A Generative Imputation Method for Multimodal Alzheimer's Disease Diagnosis
• Title（参考訳）: マルチモーダル型アルツハイマー病診断のための創製法
• Authors: Reihaneh Hassanzadeh, Anees Abrol, Hamid Reza Hassanzadeh, Vince D. Calhoun,
• Abstract要約: 本稿では,既存のモダリティから欠落したモダリティを再構築するための生成的敵ネットワーク手法を提案する。 以上の結果より,アルツハイマー病と認知正常群との分類精度は9%改善した。
• 参考スコア（独自算出の注目度）: 13.798027995003908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal data analysis can lead to more accurate diagnoses of brain disorders due to the complementary information that each modality adds. However, a major challenge of using multimodal datasets in the neuroimaging field is incomplete data, where some of the modalities are missing for certain subjects. Hence, effective strategies are needed for completing the data. Traditional methods, such as subsampling or zero-filling, may reduce the accuracy of predictions or introduce unintended biases. In contrast, advanced methods such as generative models have emerged as promising solutions without these limitations. In this study, we proposed a generative adversarial network method designed to reconstruct missing modalities from existing ones while preserving the disease patterns. We used T1-weighted structural magnetic resonance imaging and functional network connectivity as two modalities. Our findings showed a 9% improvement in the classification accuracy for Alzheimer's disease versus cognitive normal groups when using our generative imputation method compared to the traditional approaches.
• Abstract（参考訳）: マルチモーダルデータ分析は、各モーダルが付加する相補的な情報により、より正確な脳障害の診断につながる可能性がある。 しかし、ニューロイメージングの分野でマルチモーダルデータセットを使用する際の大きな課題は不完全なデータであり、特定の被験者にはいくつかのモダリティが欠落している。 したがって、データを完成させるには効果的な戦略が必要である。 サブサンプリングやゼロフィリングといった従来の手法は、予測の正確さを減らしたり、意図しない偏見を導入することがある。 対照的に、生成モデルのような先進的な手法は、これらの制限なしに有望な解として現れてきた。 本研究では, 疾患パターンを保存しつつ, 既存のモダリティから逸脱したモダリティを再構築する手法を提案する。 我々はT1強調構造磁気共鳴画像と機能的ネットワーク接続を2つのモードとして使用した。 以上の結果より, 従来の方法と比較して, 認知正常群に対するアルツハイマー病の分類精度は9%改善した。

関連論文リスト

• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion with Jacobian Maps [1.5501208213584152]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。 本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。 脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
  論文  参考訳（メタデータ） (2023-10-25T19:02:57Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• 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)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。