論文の概要: Hybrid Deep Learning Approaches for Classifying Autism from Brain MRI

• arxiv url: http://arxiv.org/abs/2510.13841v1
• Date: Sat, 11 Oct 2025 13:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.466539
• Title: Hybrid Deep Learning Approaches for Classifying Autism from Brain MRI
• Title（参考訳）: 脳MRIからの自閉症分類のためのハイブリッドディープラーニングアプローチ
• Authors: Ashley Chen,
• Abstract要約: 脳画像と機械学習を組み合わせることで、ASDに関連付けられたより客観的なパターンを特定するのに役立つかもしれない。 このプロジェクトは、ABIDE IデータセットからMRIデータを用いて、ASDと制御参加者を分類するための2つのアプローチをテストする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autism spectrum disorder (ASD) is most often diagnosed using behavioral evaluations, which can vary between clinicians. Brain imaging, combined with machine learning, may help identify more objective patterns linked to ASD. This project used magnetic resonance imaging (MRI) data from the publicly available ABIDE I dataset (n = 1,112) to test two approaches for classifying ASD and control participants. The first was a 3D convolutional neural network (CNN) trained end-to-end. The second was a hybrid approach that used the CNN as a feature extractor and then applied a support vector machine (SVM) classifier. The baseline CNN reached moderate performance (accuracy = 0.66, AUC = 0.70), while the hybrid CNN + SVM achieved higher overall accuracy (0.76) and AUC (0.80). The hybrid model also produced more balanced results between ASD and control groups. Separating feature extraction and classification improved performance and reduced bias between diagnostic groups. These findings suggest that combining deep learning and traditional machine learning methods could enhance the reliability of MRI-based research on ASD.
• Abstract（参考訳）: 自閉症スペクトラム障害(ASD)は、行動評価を用いて診断されることが多い。 脳画像と機械学習を組み合わせることで、ASDに関連付けられたより客観的なパターンを特定するのに役立つかもしれない。 このプロジェクトでは、公開されているABIDE Iデータセット(n = 1,112)のMRIデータを用いて、ASDと制御参加者を分類するための2つのアプローチをテストする。 1つ目は、エンドツーエンドでトレーニングされた3D畳み込みニューラルネットワーク(CNN)である。 2つ目は、CNNを特徴抽出器として使用し、サポートベクトルマシン(SVM)分類器を適用したハイブリッドアプローチである。 ベースラインCNNは適度な性能(精度0.66、AUC = 0.70)、ハイブリッドCNN+SVMは全体的な精度0.76、AUC(0.80)に達した。 ハイブリッドモデルはまた、ASDとコントロールグループの間でよりバランスの取れた結果を生み出した。 特徴抽出と分類の分離により, 性能が向上し, 診断群間のバイアスが低減した。 これらの結果から,深層学習と従来の機械学習を組み合わせることで,MRIに基づくAMD研究の信頼性が向上する可能性が示唆された。

関連論文リスト

• 3DViT-GAT: A Unified Atlas-Based 3D Vision Transformer and Graph Learning Framework for Major Depressive Disorder Detection Using Structural MRI Data [0.0]
  大うつ病 (Major depressive disorder, MDD) は、個人の健康と世界的な公衆衛生の両方に悪影響を及ぼす精神疾患である。 本稿では、視覚変換器(ViT)を用いて、sMRIデータから3次元領域埋め込みを抽出し、グラフニューラルネットワーク(GNN)を分類する統合パイプラインを開発する。
  論文  参考訳（メタデータ） (2025-09-15T17:10:39Z)
• Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI [11.871709357017416]
  静止状態fMRIデータを用いた特徴量削減パイプラインを提案する。 rs-fMRIから機能接続データを抽出するためにクラドック・アトラスとパワー・アトラスを用いた。 変分オートエンコーダを用いることで,提案したパイプラインは接続機能を5つの潜在ガウス分布に圧縮する。
  論文  参考訳（メタデータ） (2024-09-30T09:38:47Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  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)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• 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)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
  現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。 本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-02T17:30:35Z)
• Machine Learning Methods for Brain Network Classification: Application to Autism Diagnosis using Cortical Morphological Networks [0.0]
  我々はクラウドソーシングを利用して、自閉症スペクトラム障害(ASD)診断に応用した神経疾患診断のための機械学習パイプラインのプールを構築する。 第1位チームは70%の精度、72.5%の感度、67.5%の特異性を達成し、第2位チームはそれぞれ63.8%、62.5%、65%を達成した。
  論文  参考訳（メタデータ） (2020-04-28T06:23:29Z)

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。