論文の概要: Causality based Feature Fusion for Brain Neuro-Developmental Analysis
- arxiv url: http://arxiv.org/abs/2001.08173v1
- Date: Wed, 22 Jan 2020 17:38:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 18:14:48.723479
- Title: Causality based Feature Fusion for Brain Neuro-Developmental Analysis
- Title（参考訳）: 脳神経発達解析のための因果関係に基づく特徴融合
- Authors: Peyman Hosseinzadeh Kassani, Li Xiao, Gemeng Zhang, Julia M. Stephen,
Tony W. Wilson, Vince D. Calhoun, Yu Ping Wang
- Abstract要約: 脳の成熟中に情報の流れの方向を付加することを提案する。
その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。
その結果,若年者では接続の強度が有意に高かった。
- 参考スコア（独自算出の注目度）: 26.218572787292427
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human brain development is a complex and dynamic process that is affected by
several factors such as genetics, sex hormones, and environmental changes. A
number of recent studies on brain development have examined functional
connectivity (FC) defined by the temporal correlation between time series of
different brain regions. We propose to add the directional flow of information
during brain maturation. To do so, we extract effective connectivity (EC)
through Granger causality (GC) for two different groups of subjects, i.e.,
children and young adults. The motivation is that the inclusion of causal
interaction may further discriminate brain connections between two age groups
and help to discover new connections between brain regions. The contributions
of this study are threefold. First, there has been a lack of attention to
EC-based feature extraction in the context of brain development. To this end,
we propose a new kernel-based GC (KGC) method to learn nonlinearity of complex
brain network, where a reduced Sine hyperbolic polynomial (RSP) neural network
was used as our proposed learner. Second, we used causality values as the
weight for the directional connectivity between brain regions. Our findings
indicated that the strength of connections was significantly higher in young
adults relative to children. In addition, our new EC-based feature outperformed
FC-based analysis from Philadelphia neurocohort (PNC) study with better
discrimination of the different age groups. Moreover, the fusion of these two
sets of features (FC + EC) improved brain age prediction accuracy by more than
4%, indicating that they should be used together for brain development studies.
- Abstract（参考訳）: ヒトの脳の発達は複雑でダイナミックなプロセスであり、遺伝学、性ホルモン、環境変化などの要因に影響される。
脳の発達に関する最近の研究は、異なる脳領域の時系列間の時間的相関によって定義される機能的接続(FC)を調査している。
脳の成熟中に情報の流れの方向を付加することを提案する。
そこで我々は,2つの異なる被験者群,すなわち子供と若年者を対象に,Granger causality(GC)を介して効果的な接続性(EC)を抽出した。
この動機は、因果的相互作用が2つの年齢グループ間の脳結合をさらに識別し、脳領域間の新しい結合を見つけるのに役立つ可能性があることである。
この研究の貢献は3倍である。
第一に、脳発達の文脈では、ECベースの特徴抽出に注意が払われていない。
そこで本研究では,本研究で提案するニューラルネットワークを用いて,複素脳ネットワークの非線形性を学習する新しいカーネルベースgc(kgc)法を提案する。
第2に,脳領域間の方向接続の重みとして因果関係値を用いた。
以上の結果から,子どもに比べて若年者の方が接続強度が有意に高かった。
さらに,本研究は,フィラデルフィア・ニューロコホート(PNC)を指標として,年齢集団の識別性の向上を図った。
さらに、これら2つの特徴セット(FC+EC)の融合により、脳年齢予測精度は4%以上向上し、脳開発研究に併用すべきであることが示唆された。
関連論文リスト
- Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳（メタデータ） (2024-10-25T13:15:17Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Large Language Model-based FMRI Encoding of Language Functions for Subjects with Neurocognitive Disorder [53.575426835313536]
LLMを用いたfMRIエンコーディングと脳のスコアを用いた高齢者の言語関連機能変化について検討する。
脳のスコアと認知スコアの相関関係を脳全体のROIと言語関連ROIの両方で分析した。
以上の結果から,認知能力の向上は,中側頭回に有意な相関がみられた。
論文 参考訳（メタデータ） (2024-07-15T01:09:08Z) - SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。
脳年齢はMRIと機械学習技術を用いて予測できる。
我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
論文 参考訳（メタデータ） (2024-06-01T08:58:40Z) - Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳（メタデータ） (2024-02-12T14:46:31Z) - Unique Brain Network Identification Number for Parkinson's Individuals
Using Structural MRI [0.060379119983736775]
本稿では,個々の被験者の脳ネットワークを符号化する新しいアルゴリズム,Unique Brain Network Identification Number, UBNINを提案する。
各被験者の脳容積を解析し,各領域の灰白質容積の相関関係を用いて個々の隣接行列を構築した。
UBNINの数値表現は個々の脳ネットワークごとに異なることが観察された。
論文 参考訳（メタデータ） (2023-06-02T17:03:39Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳（メタデータ） (2023-05-06T22:14:13Z) - Brain Structural Saliency Over The Ages [0.41998444721319217]
524名の小断面コホートからT1構造MRIボリュームのBA回帰モデルとしてResNetモデルを訓練した。
老化過程を通じて異なる脳領域への関連性の変化を示す。
地域によっては、年齢による関係が増大し、年齢による関係が減少する地域もある。
論文 参考訳（メタデータ） (2022-01-12T09:50:29Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z) - A Bayesian incorporated linear non-Gaussian acyclic model for multiple
directed graph estimation to study brain emotion circuit development in
adolescence [27.39669536270664]
感情の識別能力は幼少期から始まり、幼少期から青年期にかけて成長を続ける。
前回の研究では、感情識別タスクにおいて、幼少期から成人期にかけての脳機能接続(FC)の軌跡を明らかにした。
ベイズ型線形非ガウス非巡回モデル (BiLiNGAM) を提案した。
論文 参考訳（メタデータ） (2020-06-16T21:35:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。