論文の概要: Deep Learning-Based Regional White Matter Hyperintensity Mapping as a Robust Biomarker for Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2511.14588v1
- Date: Tue, 18 Nov 2025 15:32:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.181381
- Title: Deep Learning-Based Regional White Matter Hyperintensity Mapping as a Robust Biomarker for Alzheimer's Disease
- Title（参考訳）: アルツハイマー病に対するロバストバイオマーカーとしての深層学習に基づく地域白質ハイパーインテンシティマッピング
- Authors: Julia Machnio, Mads Nielsen, Mostafa Mehdipour Ghazi,
- Abstract要約: ホワイトマター・ハイパーインテンシティ(WMH)は認知年齢、アルツハイマー病(AD)および関連する認知症において重要な画像マーカーである。
我々は、公共データセットと独立したアルツハイマー病神経画像イニシアチブ(ADNI)コホートで評価された、堅牢なWMHセグメンテーションとローカライゼーションのためのディープラーニングフレームワークを提案する。
以上の結果より, 病変負荷の予測値は基準WMH推定値と一致し, 病変負荷, 獲得, 人口統計の変動に対するロバスト性が確認された。
- 参考スコア（独自算出の注目度）: 3.5819392925290043
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: White matter hyperintensities (WMH) are key imaging markers in cognitive aging, Alzheimer's disease (AD), and related dementias. Although automated methods for WMH segmentation have advanced, most provide only global lesion load and overlook their spatial distribution across distinct white matter regions. We propose a deep learning framework for robust WMH segmentation and localization, evaluated across public datasets and an independent Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort. Our results show that the predicted lesion loads are in line with the reference WMH estimates, confirming the robustness to variations in lesion load, acquisition, and demographics. Beyond accurate segmentation, we quantify WMH load within anatomically defined regions and combine these measures with brain structure volumes to assess diagnostic value. Regional WMH volumes consistently outperform global lesion burden for disease classification, and integration with brain atrophy metrics further improves performance, reaching area under the curve (AUC) values up to 0.97. Several spatially distinct regions, particularly within anterior white matter tracts, are reproducibly associated with diagnostic status, indicating localized vulnerability in AD. These results highlight the added value of regional WMH quantification. Incorporating localized lesion metrics alongside atrophy markers may enhance early diagnosis and stratification in neurodegenerative disorders.
- Abstract（参考訳）: ホワイトマター・ハイパーインテンシティ(WMH)は認知的老化、アルツハイマー病(AD)、および関連する認知症において重要な画像マーカーである。
WMHセグメンテーションの自動化手法は進歩しているが、ほとんどの場合、大域的な病変負荷のみを提供し、その空間分布を異なる白質領域で見落としている。
我々は、公共データセットと独立したアルツハイマー病神経画像イニシアチブ(ADNI)コホートで評価された、堅牢なWMHセグメンテーションとローカライゼーションのためのディープラーニングフレームワークを提案する。
以上の結果より, 病変負荷の予測値は基準WMH推定値と一致し, 病変負荷, 獲得, 人口統計の変動に対するロバスト性が確認された。
正確なセグメンテーションの他に、解剖学的に定義された領域内のWMH負荷を定量化し、これらの測定値を脳構造量と組み合わせて診断値を評価する。
地域WMHボリュームは、疾患分類の世界的な病変負担を一貫して上回り、脳萎縮測定値との統合により、さらにパフォーマンスが向上し、曲線(AUC)の値が最大0.97まで到達する。
いくつかの空間的に異なる領域、特に前白質の領域は、ADの局所的な脆弱性を示す診断状態と再現的に関連している。
これらの結果は地域WMH定量化の付加価値を浮き彫りにした。
萎縮マーカーと併用した局所病変測定は、神経変性疾患の早期診断と成層化を促進する可能性がある。
関連論文リスト
- Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI [1.0439136407307048]
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。
論文 参考訳（メタデータ） (2025-07-14T07:31:40Z) - Uncertainty quantification for White Matter Hyperintensity segmentation detects silent failures and improves automated Fazekas quantification [3.1773635209430036]
ホワイトハイパーインテンシティ(White Hyperintensities、WMH)は、脳MRIに存在する小血管疾患の主要な神経放射線学的マーカーである。
WMHは, 形状, 位置, サイズ, 未定義境界, および他の病理と類似の強度プロファイルにより, セグメンテーションが困難である。
WMHの不確実性情報を組み込むことで,ファゼカス分類性能と校正性能が向上することを示す。
論文 参考訳（メタデータ） (2024-11-26T16:34:24Z) - Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [43.73298205923969]
早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。
提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。
次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
論文 参考訳（メタデータ） (2024-08-09T15:10:34Z) - 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) - P-Count: Persistence-based Counting of White Matter Hyperintensities in Brain MRI [6.710421562390863]
白色物質過敏症(WMH)は脳血管疾患と多発性硬化症の指標である。
病変の数はノイズやセグメンテーションミスに非常に敏感である。
永続ホモロジーに基づく代数的WMHカウントツールであるP-Countを提案する。
論文 参考訳（メタデータ） (2024-03-20T21:52:02Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。