文献

J-GLOBAL ID：202202261940020338   整理番号：22A1019922

不完全マルチモーダルデータによる早期および後期軽度認知障害診断のためのハイブリッド深層学習法【JST・京大機械翻訳】

A Hybrid Deep Learning Method for Early and Late Mild Cognitive Impairment Diagnosis With Incomplete Multimodal Data

著者 (6件)： Jin Leiming (Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Zhao Kun (Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Zhao Yan (Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Che Tongtong (Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Li Shuyu (Beijing Advanced Innovation Center for Biomedical Engineering, School of Biological Science and Medical Engineering, Beihang University, Beijing, China) ,  Li Shuyu (State Key Lab of Cognition Neuroscience and Learning, Beijing Normal University, Beijing, China)
資料名： Frontiers in Neuroinformatics (Web)  (Frontiers in Neuroinformatics (Web))
巻： 16  ページ： 843566  発行年： 2022年 
JST資料番号： U7084A  ISSN： 1662-5196  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： マルチモダリティ神経画像は,軽度認知障害(MCI)を診断するために広く適用されてきた。しかし,欠測データ問題は避けられない。最も以前に開発された方法は,まず,欠測データを合成し,次に,完成したデータで分類ネットワークを訓練するために,生成敵対ネットワーク(GAN)を訓練する。これらの方法は,情報通信なしで2つのネットワークを独立して訓練する。したがって,得られたGANは分類に役立つ重要な領域に焦点を当てることができない。この問題を克服するために,ハイブリッド深層学習法を提案した。最初に,分類ネットワークをペアMRIとPET画像で事前訓練した。その後,事前訓練分類ネットワークを用いて,分類に役立つ特徴に焦点を合わせてGANをガイドした。最後に,欠測PET画像を合成し,それらを実際のMR画像を用いて,合成画像に良く適応するように分類モデルを微調整した。ADNIデータセット上で提案した方法を評価し,その結果,提案手法は,検証および試験セットで得られた精度を,それぞれ3.84および5.82%改善することを示した。さらに,提案手法により欠損PET画像を合成するとき,提案手法は検証と試験セットの精度をそれぞれ7.7と9.09%増加させる。アブレーション実験は,最後の2つの段階が著者らの方法に必須であることを示した。また,著者らの方法を他の最先端の方法と比較し,著者らの方法はより良い分類性能を達成した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： データ ,  ネットワーク ,  分類 ,  特性 ,  精度 ,  医用画像 ,  *多モード ,  NMRイメージング ,  アブレーション ,  *失認 ,  *機械学習
準シソーラス用語： 情報通信 ,  欠測値 ,  マルチモダリティ ,  *軽度認知障害 ,  PET画像 ,  分類モデル ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： MCI ,  GAN ,  分類 ,  不完全データ ,  マルチモーダル性

分類 (2件)： 神経系の診断  (GN02000H) ,  パターン認識  (JE07000S)

引用文献 (40件)：

• Abdelaziz M., Elazab A., Wang T. (2021). Alzheimer’s disease diagnosis framework from incomplete multimodal data using convolutional neural networks. J. Biomed. Inf. 121:103863. doi: 10.1016/j.jbi.2021.103863
• Aderghal K., Khvostikov A., Krylov A., Benois-Pineau J., Afdel K., Catheline G. (2018). “"Classification of Alzheimer disease on imaging modalities with deep CNNS using cross-modal transfer learning,"” in 2018 IEEE 31st International Symposium Computer-Based Medical Systems (Piscataway: IEEE), 345-350. doi: 10.1109/cbms.2018.00067
• Aisen P. S., Petersen R. C., Donohue M. C., Gamst A., Raman R., Thomas R. G., et al (2010). Clinical core of the Alzheimer’s disease neuroimaging initiative: progress and plans. Alzheimers Dement. 6 239-246. doi: 10.1016/j.jalz.2010.03.006
• Alzheimer’s Association (2019). 2019 Alzheimer’s disease facts and figures. Alzheimers Dement. 15 321-387. doi: 10.1016/j.jalz.2019.01.010
• Gao X., Shi F., Shen D., Liu M. (2021). Task-induced pyramid and attention GAN for multimodal brain image imputation and classification in Alzheimers disease. IEEE J. Biomed. Heal. Inf. 26 36-43. doi: 10.1109/JBHI.2021.3097721

タイトルに関連する用語 (5件)： マルチモーダル ,  早期 ,  軽度認知障害 ,  診断 ,  深層学習