論文の概要: Incorporating structured assumptions with probabilistic graphical models
in fMRI data analysis
- arxiv url: http://arxiv.org/abs/2005.04879v2
- Date: Fri, 29 May 2020 00:44:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 20:55:28.117128
- Title: Incorporating structured assumptions with probabilistic graphical models
in fMRI data analysis
- Title(参考訳): fMRIデータ解析における確率的グラフィカルモデルによる構造的仮定の導入
- Authors: Ming Bo Cai, Michael Shvartsman, Anqi Wu, Hejia Zhang, Xia Zhu
- Abstract要約: 我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。
これらのアルゴリズムも同様にfMRIの課題に取り組む。
認知神経科学における明示的モデル構築のより広範な採用を提唱する。
- 参考スコア(独自算出の注目度): 5.23143327587266
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the wide adoption of functional magnetic resonance imaging (fMRI) by
cognitive neuroscience researchers, large volumes of brain imaging data have
been accumulated in recent years. Aggregating these data to derive scientific
insights often faces the challenge that fMRI data are high-dimensional,
heterogeneous across people, and noisy. These challenges demand the development
of computational tools that are tailored both for the neuroscience questions
and for the properties of the data. We review a few recently developed
algorithms in various domains of fMRI research: fMRI in naturalistic tasks,
analyzing full-brain functional connectivity, pattern classification, inferring
representational similarity and modeling structured residuals. These algorithms
all tackle the challenges in fMRI similarly: they start by making clear
statements of assumptions about neural data and existing domain knowledge,
incorporating those assumptions and domain knowledge into probabilistic
graphical models, and using those models to estimate properties of interest or
latent structures in the data. Such approaches can avoid erroneous findings,
reduce the impact of noise, better utilize known properties of the data, and
better aggregate data across groups of subjects. With these successful cases,
we advocate wider adoption of explicit model construction in cognitive
neuroscience. Although we focus on fMRI, the principle illustrated here is
generally applicable to brain data of other modalities.
- Abstract(参考訳): 認知神経科学研究者による機能的磁気共鳴イメージング(fMRI)の普及により、近年大量の脳画像データが蓄積されている。
科学的洞察を導き出すためにこれらのデータを集約することは、fMRIデータが高次元であり、人々間で異質であり、騒々しいという課題に直面していることが多い。
これらの課題は、神経科学の問題とデータの性質の両方に合わせた計算ツールの開発を要求する。
自然言語処理におけるfMRI、全脳機能接続の解析、パターン分類、表現類似性の推論、構造的残差のモデリングなど、fMRI研究の分野で最近開発されたアルゴリズムについて概説する。
それらは、ニューラルネットワークと既存のドメイン知識に関する仮定の明確なステートメントを作成し、それらの仮定とドメイン知識を確率的グラフィカルモデルに組み込むことから始まり、それらのモデルを使用してデータ内の関心や潜伏構造の性質を推定する。
このようなアプローチは誤った発見を回避し、ノイズの影響を低減し、データの既知の特性をより活用し、被験者のグループ間でデータを収集する。
これらの成功例では、認知神経科学における明示的モデル構築の広範な採用を提唱する。
fMRIに焦点をあてるが、ここで示される原理は、他のモダリティの脳データに適用できる。
関連論文リスト
- NeuroCine: Decoding Vivid Video Sequences from Human Brain Activties [26.101921525746487]
本稿では,fMRIデータを復号化するための新たな二相フレームワークであるNeuroCineを紹介する。
公開されているfMRIデータセットでテストした結果,有望な結果が得られた。
このモデルが既存の脳構造や機能と一致し,その生物学的妥当性と解釈可能性を示すことが示唆された。
論文 参考訳(メタデータ) (2024-02-02T17:34:25Z) - Metadata-Conditioned Generative Models to Synthesize
Anatomically-Plausible 3D Brain MRIs [12.492451825171408]
本稿では, メタデータ条件付きMRI(例えば, 年齢, 性別別MRI)を合成するための新しい生成モデルであるBrain Synthを提案する。
以上の結果から, 合成MRIの脳領域の半数以上が解剖学的に正確であり, 実際のMRIと合成MRIの差は小さいことが示唆された。
われわれの合成MRIは畳み込みニューラルネットワークのトレーニングを大幅に改善し、加速度的老化効果を同定する。
論文 参考訳(メタデータ) (2023-10-07T00:05:47Z) - 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) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳(メタデータ) (2022-09-27T16:32:11Z) - Spatio-temporally separable non-linear latent factor learning: an
application to somatomotor cortex fMRI data [0.0]
潜在因子の脳全体の発見が可能なfMRIデータのモデルについて検討する。
空間重み付けを効率化するための新しい手法は、データの高次元性とノイズの存在に対処するために重要である。
本手法は,複数のモーターサブタスクを用いたデータを用いて,モデルが各サブタスクに対応する非絡み合った潜在因子を捕捉するかどうかを評価する。
論文 参考訳(メタデータ) (2022-05-26T21:30:22Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Time-Resolved fMRI Shared Response Model using Gaussian Process Factor
Analysis [19.237759421319957]
そこで我々は,S-GPFA(Shared Gaussian Process Factor Analysis)と呼ばれる新しいモデルを導入する。
シミュレーションデータを用いて地中真理潜伏構造を明らかにする上で,本モデルの有効性を実証し,公開可能なRaiderおよびSherlockデータセット上での時間分割マッチングとオブジェクト間類似性の実験的性能を再現した。
論文 参考訳(メタデータ) (2020-06-10T00:15:01Z)
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。