Fugu-MT 論文翻訳(概要): Towards a predictive spatio-temporal representation of brain data

論文の概要: Towards a predictive spatio-temporal representation of brain data

arxiv url: http://arxiv.org/abs/2003.03290v1
Date: Sat, 29 Feb 2020 18:49:45 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 20:34:07.173942
Title: Towards a predictive spatio-temporal representation of brain data
Title（参考訳）: 脳データの予測時空間表現に向けて
Authors: Tiago Azevedo, Luca Passamonti, Pietro Li\`o, Nicola Toschi
Abstract要約: fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
参考スコア（独自算出の注目度）: 0.2580765958706854
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The characterisation of the brain as a "connectome", in which the connections are represented by correlational values across timeseries and as summary measures derived from graph theory analyses, has been very popular in the last years. However, although this representation has advanced our understanding of the brain function, it may represent an oversimplified model. This is because the typical fMRI datasets are constituted by complex and highly heterogeneous timeseries that vary across space (i.e., location of brain regions). We compare various modelling techniques from deep learning and geometric deep learning to pave the way for future research in effectively leveraging the rich spatial and temporal domains of typical fMRI datasets, as well as of other similar datasets. As a proof-of-concept, we compare our approaches in the homogeneous and publicly available Human Connectome Project (HCP) dataset on a supervised binary classification task. We hope that our methodological advances relative to previous "connectomic" measures can ultimately be clinically and computationally relevant by leading to a more nuanced understanding of the brain dynamics in health and disease. Such understanding of the brain can fundamentally reduce the constant specialised clinical expertise in order to accurately understand brain variability.
Abstract（参考訳）: 脳を「コネクトーム」と表現し、コネクトームは時系列間の相関値として表現され、グラフ理論の解析から得られた要約指標として、ここ数年で非常に人気がある。しかし、この表現は脳機能の理解を進歩させたが、単純化されたモデルを表しているかもしれない。これは、典型的なfMRIデータセットが、空間(すなわち脳領域の位置)によって異なる複雑で非常に異質なタイムリーで構成されているためである。深層学習と幾何学的深層学習の様々なモデリング手法を比較し、一般的なfMRIデータセットの豊かな空間的・時間的領域と、他の類似したデータセットを効果的に活用する将来の研究の道を開く。概念実証として,スーパー教師付きバイナリ分類タスクにおいて,同質かつ一般公開されたヒトコネクトームプロジェクト(hcp)データセットにおける我々のアプローチを比較した。これまでの「コネクトロミック」対策に対する方法論の進歩が、最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待します。このような脳の理解は、脳の多様性を正確に理解するために、常に専門的な臨床専門知識を減らすことができる。

関連論文リスト

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)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2024-05-19T23:35:06Z)
Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文参考訳（メタデータ） (2023-12-16T04:31:51Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
MBrain: A Multi-channel Self-Supervised Learning Framework for Brain Signals [7.682832730967219]
本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
論文参考訳（メタデータ） (2023-06-15T09:14:26Z)
Connectional-Style-Guided Contextual Representation Learning for Brain Disease Diagnosis [12.172262618438173]
本研究では,脳の固有パターンを捉えるために,接続型文脈表現学習モデル(CS-CRL)を提案する。 CS-CRLは6つのデータセットと3つの疾患にまたがる複数の脳疾患診断タスクにおいて優れた精度を達成する。
論文参考訳（メタデータ） (2023-06-08T15:39:27Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文参考訳（メタデータ） (2023-01-26T20:45:30Z)
BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文参考訳（メタデータ） (2022-08-05T07:54:10Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)

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。