論文の概要: Efficient Genotype Classification from 3D MRI in ADPKD via Density-Aware Point Sampling and E(3)-invariance
- arxiv url: http://arxiv.org/abs/2611.17758v1
- Date: Fri, 13 Nov 2026 05:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.308247
- Title: Efficient Genotype Classification from 3D MRI in ADPKD via Density-Aware Point Sampling and E(3)-invariance
- Title(参考訳): 密度認識点サンプリングとE(3)不変によるADPKDの3次元MRIからの効率的な遺伝子型分類
- Abstract要約: MRIに基づく遺伝子型推論は、遺伝子検査を低コストで補完する可能性がある。
E3PNは、3次元MRIに基づくADPKD遺伝子型分類ネットワークである。
E3PNは163倍高速で、GPUメモリは3D ResNetの103倍少ない。
- 参考スコア(独自算出の注目度): 3.6031999002973074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early detection of genetic kidney diseases, especially autosomal dominant polycystic kidney disease (ADPKD), is crucial because certain genotypes such as truncating PKD1 mutations cause rapid kidney growth and early progression to end-stage kidney disease. MRI-based genotype inference is a potential low-cost complement to genetic testing. However, although many deep learning methods have been developed for classifying various MR images, applying them to ADPKD remains challenging: (1) abdominal MR images are generally too large to be handled by deep learning models designed for smaller images like brain MRI, and (2) the amount of labeled data for ADPKD genetic mutations is insufficient to train deep learning models. In order to address these challenges, we propose E3PN, an efficient 3D MRI-based ADPKD genotype classification network that relies on point sampling and E(3)-invariance. We utilize a point representation of 3D MRI, which consumes less GPU memory than a voxel representation. For further memory efficiency, 3D points are sampled from a mixture distribution over the two kidneys in each image. Since E(3)-invariance has been shown to improve data efficiency, we also incorporate it into our model through coordinate canonicalization. On our ADPKD dataset, E3PN trains 163 times faster and uses 103x less GPU memory than a 3D ResNet, while also improving F1 from 0.165 to 0.226 over both baselines. These results establish a first benchmark for five-way ADPKD genotype classification from 3D MRI and show that point sampling and coordinate canonicalization yield two-orders-of-magnitude efficiency gains with a modest but consistent improvement in F1.
- Abstract(参考訳): 遺伝性腎臓疾患、特に常染色体優性多嚢胞性腎疾患(ADPKD)の早期発見は、PKD1変異などの特定の遺伝子型が腎臓の急激な増殖と末期腎疾患への早期進行を引き起こすため重要である。
MRIに基づく遺伝子型推論は、遺伝子検査を低コストで補完する可能性がある。
しかし, 様々なMR画像の分類のために多くの深層学習法が開発されているが, 腹部MRI画像は一般に大きすぎるため, 脳MRIなどの小型画像向けに設計された深層学習モデルでは処理できないため, 2) ADPKD遺伝子変異のラベル付きデータの量は, 深層学習モデルの訓練には不十分である。
これらの課題に対処するため、3次元MRIに基づく効率的なADPKD遺伝子型分類ネットワークであるE3PNを提案する。
ボクセル表現よりも少ないGPUメモリを消費する3次元MRIの点表現を利用する。
さらにメモリ効率を上げるために、各画像中の2つの腎臓の混合分布から3Dポイントをサンプリングする。
E(3)-不変性はデータ効率を向上させることが示されているので、座標正準化によってモデルに組み込むこともできる。
ADPKDデータセットでは、E3PNは163倍高速で、3D ResNetよりも103倍少ないGPUメモリを使用します。
これらの結果は、3次元MRIから5方向のADPKD遺伝子型分類の最初のベンチマークを確立し、点サンプリングと座標正準化がF1の適度だが一貫した改善で2次倍率を得ることを示した。
関連論文リスト
- Cross-Modal Fine-Tuning of 3D Convolutional Foundation Models for ADHD Classification with Low-Rank Adaptation [21.53698715497362]
小児の注意欠陥・高活動障害(ADHD)の早期診断は、教育と精神保健の成果を改善する上で重要な役割を担っている。
我々は,MRIに基づくADHD分類タスクに対して,CT画像上で事前訓練された大規模3次元畳み込み基盤モデルを適用する,パラメータ効率のよい移動学習手法を提案する。
提案手法では, 3次元畳み込みカーネルを2次元低ランク更新に分解し, トレーニング可能なパラメータを劇的に削減し, 優れた性能を実現する。
論文 参考訳(メタデータ) (2025-11-08T23:29:28Z) - 3D Brain MRI Classification for Alzheimer Diagnosis Using CNN with Data Augmentation [0.0]
3次元畳み込みニューラルネットワークは、T1強調脳スキャンを健康またはアルツハイマーと分類するために開発された。
ネットワークは、3D畳み込み、プーリング、バッチ正規化、密度の高いReLU層、シグモイド出力を含む。
論文 参考訳(メタデータ) (2025-05-07T03:32:25Z) - AlzhiNet: Traversing from 2DCNN to 3DCNN, Towards Early Detection and Diagnosis of Alzheimer's Disease [1.6908255257928966]
2次元畳み込みニューラルネットワーク(2D-CNN)と3次元畳み込みニューラルネットワーク(3D-CNN)を統合した新しいハイブリッドディープラーニングフレームワークを提案する。
我々のフレームワークはKaggleとMIRIADのデータセットから磁気共鳴イメージング(MRI)で検証され、それぞれ98.9%と99.99%、AUCは100%である。
論文 参考訳(メタデータ) (2024-10-03T17:37:18Z) - 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) - 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks [0.0]
本研究はパーキンソン病の診断にConvolutional Kolmogorov-Arnold Networks(ConvKANs)を適用した。
ConvKANは、構造MRIを用いたPD分類のために、学習可能なアクティベーション機能を畳み込み層に統合する。
医用画像用ConvKANの最初の3D実装について紹介し、その性能を畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)と比較した。
これらの知見は, PD検出に対するConvKANsの可能性を強調し, 脳の微妙な変化を捉える上での3D解析の重要性を強調し, データセット間の一般化の課題を浮き彫りにしている。
論文 参考訳(メタデータ) (2024-07-24T16:04:18Z) - 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) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z)
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。