ترجمه فارسی مقاله یادگیری مقایسه‌ای با دافعه موضعی پویا برای پیش‌بینی سن مغز روی نقشه‌های سختی سه‌بعدی

چکیده

In the field of neuroimaging, accurate brain age prediction is pivotal for uncovering the complexities of brain aging and pinpointing early indicators of neurodegenerative conditions. Recent advancements in self-supervised learning, particularly in contrastive learning, have demonstrated greater robustness when dealing with complex datasets. However, current approaches often fall short in generalizing across non-uniformly distributed data, prevalent in medical imaging scenarios. To bridge this gap, we introduce a novel contrastive loss that adapts dynamically during the training process, focusing on the localized neighborhoods of samples. Moreover, we expand beyond traditional structural features by incorporating brain stiffness, a mechanical property previously underexplored yet promising due to its sensitivity to age-related changes. This work presents the first application of self-supervised learning to brain mechanical properties, using compiled stiffness maps from various clinical studies to predict brain age. Our approach, featuring dynamic localized loss, consistently outperforms existing state-of-the-art methods, demonstrating superior performance and laying the way for new directions in brain aging research.

چکیده به فارسی (ترجمه ماشینی)

در زمینه تصویربرداری عصبی ، پیش بینی دقیق سن مغز برای کشف پیچیدگی های پیری مغز و مشخص کردن شاخص های اولیه شرایط عصبی محوری است.پیشرفت های اخیر در یادگیری خودبوشی ، به ویژه در یادگیری متضاد ، هنگام برخورد با مجموعه داده های پیچیده ، استحکام بیشتری را نشان داده است.با این حال ، رویکردهای فعلی غالباً در تعمیم داده های توزیع نشده یکنواخت ، در سناریوهای تصویربرداری پزشکی شایع هستند.برای برطرف کردن این شکاف ، ما یک از دست دادن متضاد جدید را معرفی می کنیم که در طی فرایند آموزش به صورت پویا سازگار می شود ، با تمرکز بر محلات بومی شده نمونه ها.علاوه بر این ، ما با ترکیب سفتی مغز فراتر از ویژگی های ساختاری سنتی گسترش می یابیم ، یک خاصیت مکانیکی که قبلاً به دلیل حساسیت آن به تغییرات مربوط به سن ، امیدوار نیست.این کار اولین کاربرد یادگیری خود سنجی را برای خصوصیات مکانیکی مغز ، با استفاده از نقشه های سفت و محکم از مطالعات مختلف بالینی برای پیش بینی سن مغز ارائه می دهد.رویکرد ما ، با از دست دادن موضعی پویا ، به طور مداوم از روشهای پیشرفته موجود ، عملکرد برتر را نشان می دهد و راه را برای جهت های جدید در تحقیقات پیری مغز نشان می دهد.