論文の概要: A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks

• arxiv url: http://arxiv.org/abs/2005.05784v2
• Date: Tue, 10 Nov 2020 21:00:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:26:25.815324
• Title: A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks
• Title（参考訳）: MEG脳ネットワークを用いたアルツハイマー病進展予測のためのグラフガウス埋め込み法
• Authors: Mengjia Xu, David Lopez Sanz, Pilar Garces, Fernando Maestu, Quanzheng Li, Dimitrios Pantazis
• Abstract要約: アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
• 参考スコア（独自算出の注目度）: 59.15734147867412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Characterizing the subtle changes of functional brain networks associated with the pathological cascade of Alzheimer's disease (AD) is important for early diagnosis and prediction of disease progression prior to clinical symptoms. We developed a new deep learning method, termed multiple graph Gaussian embedding model (MG2G), which can learn highly informative network features by mapping high-dimensional resting-state brain networks into a low-dimensional latent space. These latent distribution-based embeddings enable a quantitative characterization of subtle and heterogeneous brain connectivity patterns at different regions and can be used as input to traditional classifiers for various downstream graph analytic tasks, such as AD early stage prediction, and statistical evaluation of between-group significant alterations across brain regions. We used MG2G to detect the intrinsic latent dimensionality of MEG brain networks, predict the progression of patients with mild cognitive impairment (MCI) to AD, and identify brain regions with network alterations related to MCI.
• Abstract（参考訳）: アルツハイマー病(AD)の病態カスケードに関連する機能的脳ネットワークの微妙な変化を特徴付けることは,臨床症状に先行する疾患の早期診断と予測に重要である。 我々は,高次元の静止状態脳ネットワークを低次元の潜在空間にマッピングすることで,高情報的なネットワーク特徴を学習できる多グラフガウス埋め込みモデル(MG2G)を開発した。 これらの潜在分布に基づく埋め込みは、異なる領域における微妙で不均質な脳接続パターンの定量的な特徴付けを可能にし、ad早期予測や脳領域間の有意な変化の統計的評価など、ダウンストリームグラフ分析タスクの伝統的な分類器への入力として使用できる。 mg2gを用いてmeg脳ネットワークの固有潜伏次元の検出、軽度認知障害(mci)患者のadへの進展の予測、mciに関連するネットワーク変化を伴う脳領域の同定を行った。

関連論文リスト

• Study of Brain Network in Alzheimers Disease Using Wavelet-Based Graph Theory Method [0.0]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。 ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。 本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T07:26:14Z)
• Beyond the Snapshot: Brain Tokenized Graph Transformer for Longitudinal Brain Functional Connectome Embedding [4.7719542185589585]
  脳機能コネクトーム(FC)をベースとしたグラフニューラルネットワーク(GNN)は、アルツハイマー病(AD)などの神経変性疾患の診断と予後に有用なツールとして登場した。 しかし、これらのモデルは、FC軌跡を特徴付けるのではなく、単一の時点における脳内FC用に調整されている。 本研究は神経変性疾患の診断と予後に応用した,脳内FC軌道埋め込みのための最初の解釈可能な枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-03T08:57:30Z)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Predicting conversion of mild cognitive impairment to Alzheimer's disease [5.1680226874942985]
  我々は,日常的な解剖学的MRIから構造的脳ネットワークを生成するための,自己指導型コントラスト学習手法を開発した。 生成された脳ネットワークを用いて、MCI-AD変換を予測するための学習フレームワークを訓練する。
  論文  参考訳（メタデータ） (2022-03-08T14:13:54Z)
• A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
  アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。 PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
  論文  参考訳（メタデータ） (2021-10-12T03:10:37Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
  病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。 MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
  論文  参考訳（メタデータ） (2019-12-03T03:46:14Z)

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。