ترجمه فارسی مقاله رتبه‌بندی خودکار وارونگی‌های ناقص هیپوکامپ که در چندین گروه ارزیابی شده‌اند

چکیده

Incomplete Hippocampal Inversion (IHI), sometimes called hippocampal malrotation, is an atypical anatomical pattern of the hippocampus found in about 20% of the general population. IHI can be visually assessed on coronal slices of T1 weighted MR images, using a composite score that combines four anatomical criteria. IHI has been associated with several brain disorders (epilepsy, schizophrenia). However, these studies were based on small samples. Furthermore, the factors (genetic or environmental) that contribute to the genesis of IHI are largely unknown. Large-scale studies are thus needed to further understand IHI and their potential relationships to neurological and psychiatric disorders. However, visual evaluation is long and tedious, justifying the need for an automatic method. In this paper, we propose, for the first time, to automatically rate IHI. We proceed by predicting four anatomical criteria, which are then summed up to form the IHI score, providing the advantage of an interpretable score. We provided an extensive experimental investigation of different machine learning methods and training strategies. We performed automatic rating using a variety of deep learning models (conv5-FC3, ResNet and SECNN) as well as a ridge regression. We studied the generalization of our models using different cohorts and performed multi-cohort learning. We relied on a large population of 2,008 participants from the IMAGEN study, 993 and 403 participants from the QTIM/QTAB studies as well as 985 subjects from the UKBiobank. We showed that deep learning models outperformed a ridge regression. We demonstrated that the performances of the conv5-FC3 network were at least as good as more complex networks while maintaining a low complexity and computation time. We showed that training on a single cohort may lack in variability while training on several cohorts improves generalization.

چکیده به فارسی (ترجمه ماشینی)

وارونگی ناقص هیپوکامپ (IHI) ، که گاهی اوقات به نام سوء هپوکامپ به آن گفته می شود ، یک الگوی آناتومیکی غیرعادی هیپوکامپ است که در حدود 20 ٪ از جمعیت عمومی یافت می شود.IHI را می توان با استفاده از یک نمره کامپوزیت که چهار معیار آناتومیکی را ترکیب می کند ، در برش های تاج از تصاویر MR وزنی T1 ارزیابی کند.IHI با چندین اختلال مغزی همراه است (صرع ، اسکیزوفرنی).با این حال ، این مطالعات بر اساس نمونه های کوچک انجام شده است.علاوه بر این ، عوامل (ژنتیکی یا محیطی) که به پیدایش IHI کمک می کنند ، تا حد زیادی ناشناخته هستند.بنابراین مطالعات در مقیاس بزرگ برای درک بیشتر IHI و روابط بالقوه آنها با اختلالات عصبی و روانپزشکی مورد نیاز است.با این حال ، ارزیابی بصری طولانی و خسته کننده است و توجیه نیاز به یک روش اتوماتیک است.در این مقاله ، ما برای اولین بار پیشنهاد می کنیم که به طور خودکار IHI را ارزیابی کنیم.ما با پیش بینی چهار معیار آناتومیکی ، که سپس خلاصه می شوند تا نمره IHI را تشکیل می دهیم ، و مزیت یک امتیاز قابل تفسیر را ارائه می دهیم.ما یک تحقیق تجربی گسترده در مورد روشهای مختلف یادگیری ماشین و استراتژی های آموزشی ارائه دادیم.ما با استفاده از انواع مدل های یادگیری عمیق (CONV5-FC3 ، RESNET و SECNN) و همچنین رگرسیون ریج ، رتبه بندی خودکار را انجام دادیم.ما تعمیم مدل های خود را با استفاده از گروههای مختلف مطالعه کردیم و یادگیری چند قشر را انجام دادیم.ما به جمعیت زیادی از 2،008 شرکت کننده از مطالعه Imagen ، 993 و 403 شرکت کننده از مطالعات QTIM/QTAB و همچنین 985 نفر از Ukbiobank اعتماد کردیم.ما نشان دادیم که مدل های یادگیری عمیق از رگرسیون خط الراس بهتر است.ما نشان دادیم که عملکرد شبکه CONV5-FC3 حداقل به اندازه شبکه های پیچیده تر و در عین حال دارای پیچیدگی و زمان محاسبه پایین است.ما نشان دادیم که آموزش یک گروه واحد ممکن است در حالی که آموزش روی چندین گروه ، تعمیم را بهبود می بخشد ، تعمیم را بهبود می بخشد.