論文の概要: Deep learning-based neurodevelopmental assessment in preterm infants

• arxiv url: http://arxiv.org/abs/2601.11944v1
• Date: Sat, 17 Jan 2026 07:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.390247
• Title: Deep learning-based neurodevelopmental assessment in preterm infants
• Title（参考訳）: 幼児期における深層学習に基づく神経発達評価
• Authors: Lexin Ren, Jiamiao Lu, Weichuan Zhang, Benqing Wu, Tuo Wang, Yi Liao, Jiapan Guo, Changming Sun, Liang Guo,
• Abstract要約: 階層型Dense Attention Network と呼ばれる新しいセグメンテーションニューラルネットワークを提案する。 本アーキテクチャでは,低コントラストボリュームデータの特徴識別を強化するために,3次元空間チャネルアテンション機構と,アテンション誘導高密度アップサンプリング戦略を組み合わせた。 実験により,本手法は最先端のベースラインに比べて高いセグメンテーション性能を示し,イソセンス組織分化の課題を効果的に解決できることを示した。
• 参考スコア（独自算出の注目度）: 17.951227721383884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preterm infants (born between 28 and 37 weeks of gestation) face elevated risks of neurodevelopmental delays, making early identification crucial for timely intervention. While deep learning-based volumetric segmentation of brain MRI scans offers a promising avenue for assessing neonatal neurodevelopment, achieving accurate segmentation of white matter (WM) and gray matter (GM) in preterm infants remains challenging due to their comparable signal intensities (isointense appearance) on MRI during early brain development. To address this, we propose a novel segmentation neural network, named Hierarchical Dense Attention Network. Our architecture incorporates a 3D spatial-channel attention mechanism combined with an attention-guided dense upsampling strategy to enhance feature discrimination in low-contrast volumetric data. Quantitative experiments demonstrate that our method achieves superior segmentation performance compared to state-of-the-art baselines, effectively tackling the challenge of isointense tissue differentiation. Furthermore, application of our algorithm confirms that WM and GM volumes in preterm infants are significantly lower than those in term infants, providing additional imaging evidence of the neurodevelopmental delays associated with preterm birth. The code is available at: https://github.com/ICL-SUST/HDAN.
• Abstract（参考訳）: 妊娠28週から37週の間に出生する幼児は、神経発達遅滞のリスクが高くなるため、早期発見は時間的介入に不可欠である。 脳MRIの深層学習に基づく容積分画は、新生児の神経発達を評価するための有望な道を提供するが、幼児期におけるMRIの信号強度(異種外観)に匹敵するため、白質(WM)と灰質(GM)の正確な分画を達成することは依然として困難である。 この問題に対処するために,階層型Dense Attention Network という新しいセグメンテーションニューラルネットワークを提案する。 本アーキテクチャでは,低コントラストボリュームデータの特徴識別を強化するために,3次元空間チャネルアテンション機構と,アテンション誘導高密度アップサンプリング戦略を組み合わせた。 定量的実験により,本手法は最先端のベースラインに比べて高いセグメンテーション性能を示し,イソセンス組織分化の課題を効果的に解決している。 さらに, 乳幼児のWMおよびGM容積は, 幼児期よりも有意に低いことが確認された。 コードは、https://github.com/ICL-SUST/HDAN.comで入手できる。

関連論文リスト

• 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)
• Rewiring Development in Brain Segmentation: Leveraging Adult Brain Priors for Enhancing Infant MRI Segmentation [0.14777718769290524]
  乳児検診のセグメンテーション性能を向上させるために、成人脳MRIのセグメンテーションモデルから事前知識を利用する新しいフレームワークであるLODiを提案する。 以上の結果から,成人脳の前頭葉を年齢順応性神経画像解析の基礎として活用することの利点が明らかとなった。
  論文  参考訳（メタデータ） (2025-10-10T11:55:43Z)
• Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
  本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。 このフレームワークは、直接登録モデルと条件判別器を組み合わせる。 妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
  論文  参考訳（メタデータ） (2025-08-06T15:07:39Z)
• Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
  言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。 香港在住の高齢者97名を対象に,この課題の有効性について検討した。 本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
  論文  参考訳（メタデータ） (2025-06-10T16:58:47Z)
• Swin fMRI Transformer Predicts Early Neurodevelopmental Outcomes from Neonatal fMRI [0.20482269513546453]
  この期間の発達結果の正確な予測は、遅延を特定し、タイムリーな介入を可能にするために不可欠である。 本研究では,新生児のfMRIを用いた結果の予測を目的としたSwiFT(Swin 4D fMRI Transformer)モデルを提案する。 分析の結果,SwiFTは認知,運動,言語結果の予測において,ベースラインモデルよりも有意に優れていた。
  論文  参考訳（メタデータ） (2024-11-25T12:20:07Z)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。