Open namakemono opened 5 years ago
神経変性疾患を表す画像をシミュレートすることは、患者の転帰を予測し、疾患進行の計算モデルを検証するために重要です。この能力は、結果とスクリーニング基準が神経画像診断を含む二次予防臨床試験にとって価値がある。伝統的な計算方法は、萎縮症のためのパラメトリックモデルを課すことによって制限され、そして極めてリソースを必要とする。ディープラーニングにおける最近の進歩は、リアルタイムで合成画像を生成することができる縦断的研究（例えば、顔の老化）のためのデータ駆動型モデルを生み出した。正確な疾患進行モデリングを確実にするために新たな課題に取り組む必要があるが、類似の解決法を用いて脳内の萎縮の軌跡をモデル化することができる。ここで我々は、縮退対抗NeuroImage Net（DaniNet）--- MRIに対する神経変性の効果をエミュレートすることを学ぶ新しいディープラーニングアプローチを提案します。DaniNetは、疾患の進行に伴う地域的な強度変化のパターンを捉えるために訓練された基礎となるSupport Vector Regressors（SVR）を使用します。DaniNetは、SVRからの地域予測に一致するように制約された2D-MRIスライスからなる全体出力画像を生成します。DaniNetは、個体特有の脳の形態を維持しながら、画像化以外の特性（年齢、診断など）の進行を調整することもできます。敵対的訓練は、現実的な脳画像と滑らかな時間的進行を確実にします。アルツハイマー病ニューロイメージングイニシアチブ（ADNI）データセットから抽出した9652 T1強調（縦方向）MRIを使用してモデルをトレーニングします。
https://arxiv.org/abs/1907.02787v1
Daniele Ravi, Daniel C. Alexander, Neil P. Oxtoby
2019-07-05
概要
神経変性疾患を表す画像をシミュレートすることは、患者の転帰を予測し、疾患進行の計算モデルを検証するために重要です。この能力は、結果とスクリーニング基準が神経画像診断を含む二次予防臨床試験にとって価値がある。伝統的な計算方法は、萎縮症のためのパラメトリックモデルを課すことによって制限され、そして極めてリソースを必要とする。ディープラーニングにおける最近の進歩は、リアルタイムで合成画像を生成することができる縦断的研究（例えば、顔の老化）のためのデータ駆動型モデルを生み出した。正確な疾患進行モデリングを確実にするために新たな課題に取り組む必要があるが、類似の解決法を用いて脳内の萎縮の軌跡をモデル化することができる。ここで我々は、縮退対抗NeuroImage Net（DaniNet）--- MRIに対する神経変性の効果をエミュレートすることを学ぶ新しいディープラーニングアプローチを提案します。DaniNetは、疾患の進行に伴う地域的な強度変化のパターンを捉えるために訓練された基礎となるSupport Vector Regressors（SVR）を使用します。DaniNetは、SVRからの地域予測に一致するように制約された2D-MRIスライスからなる全体出力画像を生成します。DaniNetは、個体特有の脳の形態を維持しながら、画像化以外の特性（年齢、診断など）の進行を調整することもできます。敵対的訓練は、現実的な脳画像と滑らかな時間的進行を確実にします。アルツハイマー病ニューロイメージングイニシアチブ（ADNI）データセットから抽出した9652 T1強調（縦方向）MRIを使用してモデルをトレーニングします。
論文リンク
https://arxiv.org/abs/1907.02787v1
著者
Daniele Ravi, Daniel C. Alexander, Neil P. Oxtoby
投稿日時
2019-07-05