論文の概要: Multi-modal Imputation for Alzheimer's Disease Classification

• arxiv url: http://arxiv.org/abs/2601.21076v1
• Date: Wed, 28 Jan 2026 22:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.453649
• Title: Multi-modal Imputation for Alzheimer's Disease Classification
• Title（参考訳）: アルツハイマー病分類のためのマルチモーダル・イミューテーション
• Authors: Abhijith Shaji, Tamoghna Chattopadhyay, Sophia I. Thomopoulos, Greg Ver Steeg, Paul M. Thompson, Jose-Luis Ambite,
• Abstract要約: 条件付き拡散確率モデルを用いて,T1スキャンから欠落したDWIスキャンをインプットする。 我々は,一様・二様深層学習モデルの精度を向上するか否かを評価するため,広範囲な実験を行った。
• 参考スコア（独自算出の注目度）: 12.097204781416437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been successful in predicting neurodegenerative disorders, such as Alzheimer's disease, from magnetic resonance imaging (MRI). Combining multiple imaging modalities, such as T1-weighted (T1) and diffusion-weighted imaging (DWI) scans, can increase diagnostic performance. However, complete multimodal datasets are not always available. We use a conditional denoising diffusion probabilistic model to impute missing DWI scans from T1 scans. We perform extensive experiments to evaluate whether such imputation improves the accuracy of uni-modal and bi-modal deep learning models for 3-way Alzheimer's disease classification-cognitively normal, mild cognitive impairment, and Alzheimer's disease. We observe improvements in several metrics, particularly those sensitive to minority classes, for several imputation configurations.
• Abstract（参考訳）: 深層学習は、MRI(MRI)からアルツハイマー病などの神経変性疾患を予測することに成功している。 T1強調画像(T1)や拡散強調画像(DWI)スキャンなどの複数の画像モダリティを組み合わせることで、診断性能が向上する。 しかし、完全なマルチモーダルデータセットは必ずしも利用できない。 条件付き拡散確率モデルを用いて,T1スキャンから欠落したDWIスキャンをインプットする。 本研究では,3-way Alzheimer病の認知正常,軽度認知障害,およびアルツハイマー病に対する一様・二様深層学習モデルの精度を向上するか否かを評価するための広範囲な実験を行った。 我々はいくつかの指標、特にマイノリティクラスに敏感な指標の改善を観察し、いくつかの計算方法について検討する。

関連論文リスト

• Flexible Multimodal Neuroimaging Fusion for Alzheimer's Disease Progression Prediction [9.628895561262608]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、認知低下率の患者間差が高い進行性神経変性疾患である。 PerM-MoEは、従来の単一ルータの代わりに独立したルータを各モードで使用する、新しいスパース・ミックス・オブ・エキスパート方式である。 PerM-MoE, State-of-the-art Flex-MoE, and unimodal neuroimaging model on predicting two-year change in Clinical Dementia Rating-Sum of Boxes (CDR-SB) scores under various level of modality missingness。
  論文  参考訳（メタデータ） (2025-09-08T16:59:23Z)
• Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
  教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T14:02:56Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• 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)
• Automatic Classification of Neuromuscular Diseases in Children Using Photoacoustic Imaging [77.32032399775152]
  神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。 激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
  論文  参考訳（メタデータ） (2022-01-27T16:37:19Z)
• Multimodal Representations Learning and Adversarial Hypergraph Fusion for Early Alzheimer's Disease Prediction [30.99183477161096]
  本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。 本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-07-21T08:08:05Z)
• Input Agnostic Deep Learning for Alzheimer's Disease Classification Using Multimodal MRI Images [1.4848525762485871]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害や機能障害を引き起こす進行性脳疾患である。 本研究では,通常の認知,軽度認知障害,ADクラスを分類するために,マルチモーダル・ディープ・ラーニング・アプローチを用いる。
  論文  参考訳（メタデータ） (2021-07-19T08:19:34Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)
• 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)

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。