論文の概要: 3D-TDA - Topological feature extraction from 3D images for Alzheimer's disease classification

• arxiv url: http://arxiv.org/abs/2511.08663v1
• Date: Thu, 13 Nov 2025 01:01:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.185362
• Title: 3D-TDA - Topological feature extraction from 3D images for Alzheimer's disease classification
• Title（参考訳）: 3D-TDA-アルツハイマー病分類のための3D画像からの位相的特徴抽出
• Authors: Faisal Ahmed, Taymaz Akan, Fatih Gelir, Owen T. Carmichael, Elizabeth A. Disbrow, Steven A. Conrad, Mohammad A. N. Bhuiyan,
• Abstract要約: 永続的ホモロジーを用いた新しい特徴抽出法を提案し,脳の構造MRI解析を行った。 このアプローチは、位相的特徴をベッチ関数を通して強力な特徴ベクトルに変換する。 本モデルでは,2進および3進の分類タスクにおいて,最先端のディープラーニングモデルよりも優れる。
• 参考スコア（独自算出の注目度）: 0.8500709198102238
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Now that disease-modifying therapies for Alzheimer disease have been approved by regulatory agencies, the early, objective, and accurate clinical diagnosis of AD based on the lowest-cost measurement modalities possible has become an increasingly urgent need. In this study, we propose a novel feature extraction method using persistent homology to analyze structural MRI of the brain. This approach converts topological features into powerful feature vectors through Betti functions. By integrating these feature vectors with a simple machine learning model like XGBoost, we achieve a computationally efficient machine learning model. Our model outperforms state-of-the-art deep learning models in both binary and three-class classification tasks for ADNI 3D MRI disease diagnosis. Using 10-fold cross-validation, our model achieved an average accuracy of 97.43 percent and sensitivity of 99.09 percent for binary classification. For three-class classification, it achieved an average accuracy of 95.47 percent and sensitivity of 94.98 percent. Unlike many deep learning models, our approach does not require data augmentation or extensive preprocessing, making it particularly suitable for smaller datasets. Topological features differ significantly from those commonly extracted using convolutional filters and other deep learning machinery. Because it provides an entirely different type of information from machine learning models, it has the potential to combine topological features with other models later on.
• Abstract（参考訳）: アルツハイマー病に対する疾患修正療法が規制機関によって承認された今、最低コストの測定基準に基づくADの早期、客観的、そして正確な臨床診断が、ますます緊急の必要性が高まっている。 本研究では,脳の構造的MRI解析に永続的ホモロジーを用いた特徴抽出法を提案する。 このアプローチは、位相的特徴をベッチ関数を通して強力な特徴ベクトルに変換する。 これらの特徴ベクトルをXGBoostのような単純な機械学習モデルに統合することにより、計算効率の良い機械学習モデルを実現する。 当モデルでは,ADNI 3D MRI診断における2段階・3段階の分類課題において,最先端のディープラーニングモデルよりも優れていた。 10倍のクロスバリデーションを用いて平均精度97.43パーセント、感度99.09パーセントをバイナリ分類で達成した。 3クラスでの平均精度は95.47パーセント、感度は94.98パーセントに達した。 多くのディープラーニングモデルとは異なり、当社のアプローチではデータ拡張や広範な事前処理は必要とせず、特に小さなデータセットに適している。 トポロジカルな特徴は,畳み込みフィルタやその他の深層学習機械を用いて抽出されたものとは大きく異なる。 機械学習モデルとは全く異なるタイプの情報を提供するため、トポロジ的特徴を他のモデルと組み合わせる可能性を秘めている。

関連論文リスト

• Entropy-Enhanced Conformal Features from Ricci Flow for Robust Alzheimer's Disease Classification [0.0]
  アルツハイマー病(AD)は重要な皮質萎縮と関連している。 本研究の目的は,ADの自動的かつ正確な診断のための新しい局所表面表現法の導入と検証である。
  論文  参考訳（メタデータ） (2025-10-21T08:16:45Z)
• 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)
• Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
  ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。 新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。 この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
  論文  参考訳（メタデータ） (2025-05-08T13:02:44Z)
• 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)
• An Evaluation of Machine Learning Approaches for Early Diagnosis of Autism Spectrum Disorder [0.0]
  自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。 本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
  論文  参考訳（メタデータ） (2023-09-20T21:23:37Z)
• 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)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Classification of Brain Tumours in MR Images using Deep Spatiospatial Models [0.0]
  本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。 両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
  論文  参考訳（メタデータ） (2021-05-28T19:27:51Z)

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。