論文の概要: Deformation-aware Temporal Generation for Early Prediction of Alzheimers Disease
- arxiv url: http://arxiv.org/abs/2511.21114v1
- Date: Wed, 26 Nov 2025 06:59:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-27 18:37:59.000756
- Title: Deformation-aware Temporal Generation for Early Prediction of Alzheimers Disease
- Title（参考訳）: アルツハイマー病早期予測のための変形を考慮した時間生成
- Authors: Xin Honga, Jie Lin, Minghui Wang,
- Abstract要約: 退縮性脳疾患であるアルツハイマー病は、その進行を遅くする早期予測の恩恵を受ける。
アルツハイマー病の現在の予測法は、主に手動の特徴抽出による脳画像の形態変化の分析を含む。
本稿では, 早期予測のための脳画像の形態変化の学習を自動化するために, 変形認識時間生成ネットワーク(DATGN)を提案する。
- 参考スコア（独自算出の注目度）: 8.153051409690812
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease (AD), a degenerative brain condition, can benefit from early prediction to slow its progression. As the disease progresses, patients typically undergo brain atrophy. Current prediction methods for Alzheimers disease largely involve analyzing morphological changes in brain images through manual feature extraction. This paper proposes a novel method, the Deformation-Aware Temporal Generative Network (DATGN), to automate the learning of morphological changes in brain images about disease progression for early prediction. Given the common occurrence of missing data in the temporal sequences of MRI images, DATGN initially interpolates incomplete sequences. Subsequently, a bidirectional temporal deformation-aware module guides the network in generating future MRI images that adhere to the disease's progression, facilitating early prediction of Alzheimer's disease. DATGN was tested for the generation of temporal sequences of future MRI images using the ADNI dataset, and the experimental results are competitive in terms of PSNR and MMSE image quality metrics. Furthermore, when DATGN-generated synthetic data was integrated into the SVM vs. CNN vs. 3DCNN-based classification methods, significant improvements were achieved from 6. 21\% to 16\% in AD vs. NC classification accuracy and from 7. 34\% to 21. 25\% in AD vs. MCI vs. NC classification accuracy. The qualitative visualization results indicate that DATGN produces MRI images consistent with the brain atrophy trend in Alzheimer's disease, enabling early disease prediction.
- Abstract（参考訳）: アルツハイマー病(Alzheimer's disease, AD)は、変性脳疾患であり、進行を遅くする早期予測の恩恵を受ける。
疾患が進行するにつれて、患者は通常脳萎縮を発症する。
アルツハイマー病の現在の予測法は、主に手動の特徴抽出による脳画像の形態変化の分析を含む。
本稿では, 早期予測のための脳画像の形態変化の学習を自動化するために, 変形認識時間生成ネットワーク(DATGN)を提案する。
DATGNは、MRI画像の時間的シーケンスに欠落するデータの一般的な発生を考慮し、最初は不完全なシーケンスを補間する。
その後、双方向の時間的変形認識モジュールが、病気の進行に固執する将来のMRI画像を生成するネットワークを誘導し、アルツハイマー病の早期予測を容易にする。
DATGNは、ADNIデータセットを用いて、将来のMRI画像の時系列を生成するためにテストされ、実験結果は、PSNRとMMSEの画像品質指標の点で競合する。
さらに, DATGN 生成合成データを SVM vs. CNN vs. 3DCNN 分類法に統合した場合, 大幅な改善が得られた。
6. NC分類精度とADの6.21 %から16 %
7. 4%から21。
25\%であった。
定性的可視化の結果,DATGNはアルツハイマー病の脳萎縮傾向と整合したMRI画像を生成し,早期の疾患予測を可能にした。
関連論文リスト
- Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文 参考訳（メタデータ） (2025-11-06T20:16:33Z) - Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction [4.906818291607462]
ベースライン磁気共鳴画像(MRI)から将来の脳状態を予測することは、ニューロイメージングにおける中心的な課題である。
既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。
そこで本研究では,数年後に被験者の脳MRI全体を予測する経時的MRI画像から画像への予測について検討する。
論文 参考訳（メタデータ） (2025-11-04T13:19:58Z) - Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis [2.220152876549942]
アルツハイマー病(英語: Alzheimer's disease、AD)は、世界の神経変性疾患の一つ。
EffNetViTLoRA は Alzheimer's Disease Neuroimaging Initiative (ADNI) Magnetic Resonance Imaging (MRI) データセットを用いたAD診断のエンドツーエンドモデルである。
論文 参考訳（メタデータ） (2025-08-26T18:22:28Z) - Early diagnosis of Alzheimer's disease from MRI images with deep learning model [0.7673339435080445]
アルツハイマー病は世界中で認知症の最も一般的な原因である。
認知症の分類には、医学的履歴レビュー、神経心理学的テスト、MRI(MRI)などのアプローチが含まれる
本稿では,AD画像から重要な特徴を抽出するために,事前学習した畳み込みニューラルネットワークをDEMNET認知ネットワークに適用する。
論文 参考訳（メタデータ） (2024-09-27T15:07:26Z) - Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal
Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。
逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。
本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-02-21T02:16:59Z) - Interpretable Weighted Siamese Network to Predict the Time to Onset of
Alzheimer's Disease from MRI Images [5.10606091329134]
患者がADステージにどの程度近づいたかを予測するために,脳画像分類を日常的な分類タスクとして再編成した。
我々はアルツハイマー病神経画像イニシアチブデータセットから進行性MCI患者を選定した。
我々は、MRI脳画像に基づいて、AD開始時刻を予測するために、シームズネットワークモデルを訓練する。
論文 参考訳（メタデータ） (2023-04-14T12:36:43Z) - Functional Magnetic Resonance Imaging data augmentation through
conditional ICA [44.483210864902304]
本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。
本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
論文 参考訳（メタデータ） (2021-07-11T22:36:14Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳（メタデータ） (2021-01-08T06:51:08Z) - 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) - 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)
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。