論文の概要: Deep Learning and Bayesian Deep Learning Based Gender Prediction in
Multi-Scale Brain Functional Connectivity
- arxiv url: http://arxiv.org/abs/2005.08431v1
- Date: Mon, 18 May 2020 02:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 22:44:49.303289
- Title: Deep Learning and Bayesian Deep Learning Based Gender Prediction in
Multi-Scale Brain Functional Connectivity
- Title（参考訳）: マルチスケール脳機能接続における深層学習とベイズ型深層学習に基づく性予測
- Authors: Gengyan Zhao, Gyujoon Hwang, Cole J. Cook, Fang Liu, Mary E. Meyerand
and Rasmus M. Birn
- Abstract要約: 脳機能接続(FC)から性別を予測することは、脳の活動と性別の関係を構築することができる。
性別予測に適用された現在の予測モデルは、良好な精度を示す。
本稿では,複数スケールの脳内FCの性別をディープラーニングで予測し,完全なFCパターンを特徴として抽出する手法を提案する。
- 参考スコア（独自算出の注目度）: 2.2182171526013774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain gender differences have been known for a long time and are the possible
reason for many psychological, psychiatric and behavioral differences between
males and females. Predicting genders from brain functional connectivity (FC)
can build the relationship between brain activities and gender, and extracting
important gender related FC features from the prediction model offers a way to
investigate the brain gender difference. Current predictive models applied to
gender prediction demonstrate good accuracies, but usually extract individual
functional connections instead of connectivity patterns in the whole
connectivity matrix as features. In addition, current models often omit the
effect of the input brain FC scale on prediction and cannot give any model
uncertainty information. Hence, in this study we propose to predict gender from
multiple scales of brain FC with deep learning, which can extract full FC
patterns as features. We further develop the understanding of the feature
extraction mechanism in deep neural network (DNN) and propose a DNN feature
ranking method to extract the highly important features based on their
contributions to the prediction. Moreover, we apply Bayesian deep learning to
the brain FC gender prediction, which as a probabilistic model can not only
make accurate predictions but also generate model uncertainty for each
prediction. Experiments were done on the high-quality Human Connectome Project
S1200 release dataset comprising the resting state functional MRI data of 1003
healthy adults. First, DNN reaches 83.0%, 87.6%, 92.0%, 93.5% and 94.1%
accuracies respectively with the FC input derived from 25, 50, 100, 200, 300
independent component analysis (ICA) components. DNN outperforms the
conventional machine learning methods on the 25-ICA-component scale FC, but the
linear machine learning method catches up as the number of ICA components
increases...
- Abstract（参考訳）: 脳の性別差は長い間知られており、男性と女性の間に多くの心理的、精神学的、行動的な違いがある可能性がある。
脳機能接続(FC)から性別を予測することは、脳の活動と性別の関係を構築し、予測モデルから重要な性別関連FC特徴を抽出することで、脳の性別差を調査する方法を提供する。
性予測に適用された現在の予測モデルでは、良好な精度を示すが、接続マトリックス全体の接続パターンではなく、個々の機能的な接続を特徴として抽出する。
さらに、現在のモデルは入力脳のfcスケールが予測に与える影響を省略し、モデルの不確実性情報を与えることができないことが多い。
そこで本研究では,深層学習を用いた複数スケールの脳内FCから,完全なFCパターンを特徴として抽出できるジェンダーを予測することを提案する。
深層ニューラルネットワーク(DNN)における特徴抽出機構の理解を深め,その予測への貢献に基づいて重要な特徴を抽出するDNN特徴ランキング法を提案する。
さらに,確率モデルとして正確な予測を行うことができるだけでなく,予測毎にモデルの不確実性を生成する脳fc性予測にもベイズ深層学習を適用する。
高品質なHuman Connectome Project S1200リリースデータセット上で、1003人の健常成人の静止状態機能MRIデータを含む実験を行った。
まず、DNNは、それぞれ25,50,100,200,300の独立成分分析(ICA)成分から得られるFC入力と合わせて83.0%,87.6%,92.0%,93.5%,94.1%の精度に達する。
DNNは25-ICA-component scale FCで従来の機械学習手法より優れているが、ICAコンポーネントの数が増えるにつれて、線形機械学習手法が追いつく。
関連論文リスト
- Studying the Effects of Sex-related Differences on Brain Age Prediction
using brain MR Imaging [0.3958317527488534]
脳磁気共鳴画像(MRI)に基づく機械学習モデルを開発する際の性に関するバイアスについて検討する。
異なる実験設計を考慮に入れた脳年齢予測を行い,性別の影響について検討した。
異なる性別サブグループとデータセットで訓練した脳年齢予測モデルの性能に相違が認められた。
論文 参考訳（メタデータ） (2023-10-17T20:55:53Z) - Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。
モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。
BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
論文 参考訳（メタデータ） (2023-07-04T16:45:21Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Prediction of Gender from Longitudinal MRI data via Deep Learning on
Adolescent Data Reveals Unique Patterns Associated with Brain Structure and
Change over a Two-year Period [1.733758804432323]
我々は,脳構造における性別関連変化を推定し,性別関連変化を同定するための構造MRIデータについて検討した。
その結果, 性別予測精度は, トレーニングエポックが200歳未満で, 非常に高い (>97%) ことが示唆された。
青年期の脳がどのように変化するかは、これらの変化が行動や環境の異なる要因とどのように関連しているかを調べることで研究することができるかもしれない。
論文 参考訳（メタデータ） (2022-09-15T19:57:16Z) - Deep Learning Discovery of Demographic Biomarkers in Echocardiography [0.3957768262206625]
深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測することができるかどうかを検証する。
年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークをトレーニングしました。
ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
論文 参考訳（メタデータ） (2022-07-13T16:48:49Z) - Neural Language Models are not Born Equal to Fit Brain Data, but
Training Helps [75.84770193489639]
音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。
各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。
ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
論文 参考訳（メタデータ） (2022-07-07T15:37:17Z) - Model and predict age and sex in healthy subjects using brain white
matter features: A deep learning approach [8.202227194197066]
拡散MRIは、脳のWM構造を非侵襲的に記述する強力なツールを提供する。
ファイバクラスタに基づく拡散特性を抽出し、新しいアンサンブルニューラルネットワークを用いて性別と年齢を予測する。
我々は,Human Connectome Project (HCP) の若年成人データセットを用いて実験を行い,性別予測では94.82%,年齢予測では2.51歳,年齢予測では94.82%の精度で得られた。
論文 参考訳（メタデータ） (2022-02-08T01:50:12Z) - Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data [2.867517731896504]
MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。
ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
論文 参考訳（メタデータ） (2021-12-28T22:23:08Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。
本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。
NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
論文 参考訳（メタデータ） (2020-04-29T01:28:32Z)
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。