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
- Joint Self-Supervised and Supervised Contrastive Learning for Multimodal
MRI Data: Towards Predicting Abnormal Neurodevelopment [5.771221868064265]
マルチモーダルMRIデータから頑健な潜在特徴表現を学習するための,新しい自己教師付きコントラスト学習法を提案する。
本手法は,マルチモーダルデータの活用により,臨床実習におけるコンピュータ支援診断を容易にする能力を有する。
論文 参考訳(メタデータ) (2023-12-22T21:05:51Z) - 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) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-06-16T05:22:25Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳(メタデータ) (2021-01-20T20:53:07Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z)
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。