ترجمه فارسی مقاله مدل های پایه تشریحی برای MRI مغز

چکیده

Deep Learning (DL) in neuroimaging has become increasingly relevant for detecting neurological conditions and neurodegenerative disorders. One of the most predominant biomarkers in neuroimaging is represented by brain age, which has been shown to be a good indicator for different conditions, such as Alzheimer’s Disease. Using brain age for pretraining DL models in transfer learning settings has also recently shown promising results, especially when dealing with data scarcity of different conditions. On the other hand, anatomical information of brain MRIs (e.g. cortical thickness) can provide important information for learning good representations that can be transferred to many downstream tasks. In this work, we propose AnatCL, an anatomical foundation model for brain MRIs that i.) leverages anatomical information with a weakly contrastive learning approach and ii.) achieves state-of-the-art performances in many different downstream tasks. To validate our approach we consider 12 different downstream tasks for diagnosis classification, and prediction of 10 different clinical assessment scores.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق (DL) در تصویربرداری عصبی به طور فزاینده ای برای تشخیص شرایط عصبی و اختلالات عصبی مرتبط است.یکی از مهمترین نشانگرهای زیستی در تصویربرداری عصبی با سن مغز نشان داده شده است ، که نشان داده شده است که شاخص خوبی برای شرایط مختلف مانند بیماری آلزایمر است.استفاده از سن مغز برای پیش بینی مدل های DL در تنظیمات یادگیری انتقال نیز اخیراً نتایج امیدوار کننده ای را نشان داده است ، به خصوص هنگام برخورد با کمبود داده ها در شرایط مختلف.از طرف دیگر ، اطلاعات آناتومیکی MRI های مغز (به عنوان مثال ضخامت قشر مغز) می تواند اطلاعات مهمی را برای یادگیری بازنمایی های خوب ارائه دهد که می تواند به بسیاری از کارهای پایین دست منتقل شود.در این کار ، ما ANATCL را پیشنهاد می کنیم ، یک الگوی بنیاد آناتومیکی برای MRI های مغز که i.) ​​اطلاعات آناتومیکی را با یک رویکرد یادگیری ضعیف متضاد اعمال می کند و ii.) در بسیاری از کارهای پایین دست به عملکردهای پیشرفته می رسد.برای اعتبارسنجی رویکرد خود ، ما 12 کار مختلف پایین دست را برای طبقه بندی تشخیص و پیش بینی 10 نمره ارزیابی بالینی مختلف در نظر می گیریم.