論文の概要: Mapping individual differences in cortical architecture using multi-view
representation learning
- arxiv url: http://arxiv.org/abs/2004.02804v1
- Date: Wed, 1 Apr 2020 09:01:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:47:10.762276
- Title: Mapping individual differences in cortical architecture using multi-view
representation learning
- Title（参考訳）: 多視点表現学習による皮質アーキテクチャの個人差のマッピング
- Authors: Akrem Sellami (QARMA, LIS, INT), Fran\c{c}ois-Xavier Dup\'e (QARMA,
LIS), Bastien Cagna (INT), Hachem Kadri (QARMA, LIS), St\'ephane Ayache
(QARMA, LIS), Thierry Arti\`eres (QARMA, LIS, ECM), Sylvain Takerkart (INT)
- Abstract要約: 本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In neuroscience, understanding inter-individual differences has recently
emerged as a major challenge, for which functional magnetic resonance imaging
(fMRI) has proven invaluable. For this, neuroscientists rely on basic methods
such as univariate linear correlations between single brain features and a
score that quantifies either the severity of a disease or the subject's
performance in a cognitive task. However, to this date, task-fMRI and
resting-state fMRI have been exploited separately for this question, because of
the lack of methods to effectively combine them. In this paper, we introduce a
novel machine learning method which allows combining the activation-and
connectivity-based information respectively measured through these two fMRI
protocols to identify markers of individual differences in the functional
organization of the brain. It combines a multi-view deep autoencoder which is
designed to fuse the two fMRI modalities into a joint representation space
within which a predictive model is trained to guess a scalar score that
characterizes the patient. Our experimental results demonstrate the ability of
the proposed method to outperform competitive approaches and to produce
interpretable and biologically plausible results.
- Abstract（参考訳）: 神経科学において、個体間差の理解は、機能的磁気共鳴イメージング(fMRI)が重要視されている主要な課題として最近出現している。
このために、神経科学者は、単一脳の特徴と認知タスクにおける疾患の重症度または被験者のパフォーマンスを定量化するスコアとの間の一変量線形相関のような基本的な方法に頼る。
しかし、この日までにタスクfMRIと静止状態fMRIは、それらを効果的に組み合わせる手法が欠如しているため、別々に利用されてきた。
本稿では,これら2つのfmriプロトコルで測定したアクティベーション・アンド・コネクティビティに基づく情報を組み合わせて,脳の機能的構造における個人差のマーカーを同定する新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
実験の結果,提案手法が競争的アプローチを上回り,解釈可能かつ生物学的に有理な結果を生み出す可能性を実証した。
関連論文リスト
- Copula-Linked Parallel ICA: A Method for Coupling Structural and Functional MRI brain Networks [0.5277756703318045]
機能的MRI(fMRI)と構造的MRI(sMRI)を融合させる以前の研究では、このアプローチの利点が示されている。
我々は、深層学習フレームワーク、コプラと独立成分分析(ICA)を組み合わせた新しい融合法、コプラリンク並列ICA(CLiP-ICA)を開発した。
CLiP-ICAは、脳、感覚運動、視覚、認知制御、デフォルトモードネットワークなど、強い結合と弱い結合sMRIとfMRIネットワークの両方を効果的にキャプチャする。
論文 参考訳（メタデータ） (2024-10-14T01:35:41Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - 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) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳（メタデータ） (2024-03-29T07:16:34Z) - Correlation-Distance Graph Learning for Treatment Response Prediction
from rs-fMRI [8.734687343991366]
相関と距離に基づく類似度を対照的な損失の下で統合することにより,包括的特徴を捉えるグラフ学習フレームワークを提案する。
慢性の痛みと脱人格化障害データセットに関する実験により,提案手法は様々なシナリオにおいて,現在の方法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-11-17T11:34:01Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - 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) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z)
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。