Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model

要約

医用画像解析における主な課題は、神経画像データからのバイオマーカーの自動検出です。
多くの場合、画像登録に基づく従来のアプローチは、個人間での皮質組織の高い変動性を捉えることに制限があります。
ディープ ラーニング手法は、この困難を克服することに成功していることが示されており、一部の手法は、特定のデータセットで医療専門家をしのぐことさえあります。
この論文では、ディープ ニューラル ネットワークを適用して、公開されている開発中のヒューマン コネクトーム プロジェクト (dHCP) から派生した新生児の皮質表面データを分析します。
私たちの目標は、神経発達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在胎週数を予測することです。
用語相当年齢前後に取得した早産新生児のスキャンを使用して、妊娠後期の皮質の成長と成熟に対する早産の影響を調査することができました。
最先端の予測精度に達するだけでなく、提案されたモデルはベースラインよりもはるかに少ないパラメーターを持ち、その誤差は登録されていない皮質表面と登録された皮質表面の両方で低く抑えられています。

要約(オリジナル)

A major challenge in medical image analysis is the automated detection of biomarkers from neuroimaging data. Traditional approaches, often based on image registration, are limited in capturing the high variability of cortical organisation across individuals. Deep learning methods have been shown to be successful in overcoming this difficulty, and some of them have even outperformed medical professionals on certain datasets. In this paper, we apply a deep neural network to analyse the cortical surface data of neonates, derived from the publicly available Developing Human Connectome Project (dHCP). Our goal is to identify neurodevelopmental biomarkers and to predict gestational age at birth based on these biomarkers. Using scans of preterm neonates acquired around the term-equivalent age, we were able to investigate the impact of preterm birth on cortical growth and maturation during late gestation. Besides reaching state-of-the-art prediction accuracy, the proposed model has much fewer parameters than the baselines, and its error stays low on both unregistered and registered cortical surfaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google