論文の概要: Modeling Shared Responses in Neuroimaging Studies through MultiView ICA
- arxiv url: http://arxiv.org/abs/2006.06635v4
- Date: Thu, 24 Dec 2020 10:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 10:11:07.268495
- Title: Modeling Shared Responses in Neuroimaging Studies through MultiView ICA
- Title（参考訳）: マルチビューICAによるニューロイメージング研究における共有応答のモデル化
- Authors: Hugo Richard, Luigi Gresele, Aapo Hyv\"arinen, Bertrand Thirion,
Alexandre Gramfort, Pierre Ablin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 94.31804763196116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Group studies involving large cohorts of subjects are important to draw
general conclusions about brain functional organization. However, the
aggregation of data coming from multiple subjects is challenging, since it
requires accounting for large variability in anatomy, functional topography and
stimulus response across individuals. Data modeling is especially hard for
ecologically relevant conditions such as movie watching, where the experimental
setup does not imply well-defined cognitive operations.
We propose a novel MultiView Independent Component Analysis (ICA) model for
group studies, where data from each subject are modeled as a linear combination
of shared independent sources plus noise. Contrary to most group-ICA
procedures, the likelihood of the model is available in closed form. We develop
an alternate quasi-Newton method for maximizing the likelihood, which is robust
and converges quickly. We demonstrate the usefulness of our approach first on
fMRI data, where our model demonstrates improved sensitivity in identifying
common sources among subjects. Moreover, the sources recovered by our model
exhibit lower between-session variability than other methods.On
magnetoencephalography (MEG) data, our method yields more accurate source
localization on phantom data. Applied on 200 subjects from the Cam-CAN dataset
it reveals a clear sequence of evoked activity in sensor and source space.
The code is freely available at https://github.com/hugorichard/multiviewica.
- Abstract（参考訳）: 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。
しかし、複数の被験者から得られるデータの集約は、解剖学、機能的トポグラフィーおよび個人間の刺激応答において大きな変動を考慮に入れる必要があるため、困難である。
データモデリングは、実験的なセットアップが十分に定義された認知操作を含まない映画視聴のような生態学的に関係のある状況では特に困難である。
本稿では,各対象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する。
ほとんどの群ICAプロシージャとは対照的に、モデルの可能性は閉形式である。
確率を最大化するための準ニュートン法を開発したが、これは頑健であり、迅速に収束する。
提案手法は,まずfmriデータを用いて,対象者間の共通源同定における感度の向上を示す。
また,脳磁図(MEG)データでは,ファントムデータより高精度なソースローカライゼーションが得られた。
Cam-CANデータセットから200人の被験者に適用すると、センサーとソース空間における誘発された活動の明確なシーケンスが明らかになる。
コードはhttps://github.com/hugorichard/multiviewicaで無料で利用できる。
関連論文リスト
- Coupled generator decomposition for fusion of electro- and magnetoencephalography data [1.7102695043811291]
データ融合モデリングは、ソース固有の変数を考慮に入れながら、多様なデータソースにまたがる共通の特徴を識別することができる。
本稿では、テキスト結合型ジェネレータ分解の概念を導入し、データ融合のためのスパース主成分分析をいかに一般化するかを示す。
論文 参考訳（メタデータ） (2024-03-02T12:09:16Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized
Image-Dialogue Data [129.92449761766025]
本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。
このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。
本研究は,各種データセットを対象とした総合的な実験を含む。
論文 参考訳（メタデータ） (2023-08-20T12:43:52Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。
本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文 参考訳（メタデータ） (2021-02-26T18:19:08Z) - 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) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳（メタデータ） (2020-02-14T17:28:16Z) - Multi-site fMRI Analysis Using Privacy-preserving Federated Learning and
Domain Adaptation: ABIDE Results [13.615292855384729]
高品質なディープラーニングモデルを訓練するには,大量の患者情報を集める必要がある。
患者データのプライバシを保護する必要があるため、複数の機関から中央データベースを組み立てることは困難である。
フェデレート・ラーニング(Federated Learning)は、エンティティのデータを集中化せずに、人口レベルのモデルをトレーニングすることを可能にする。
論文 参考訳（メタデータ） (2020-01-16T04:49:33Z)
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。