論文の概要: Longitudinal Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2006.06930v2
- Date: Sat, 26 Jun 2021 04:20:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 02:14:52.318126
- Title: Longitudinal Self-Supervised Learning
- Title(参考訳): 縦断的自己監督学習
- Authors: Qingyu Zhao, Zixuan Liu, Ehsan Adeli, Kilian M. Pohl
- Abstract要約: グラウンド・トゥルース・ラベルは神経科学においてしばしば欠落しているか高価である。
本稿では,MRIと潜在画像表現の関連因子間の多変量写像を定式化することにより,歪みの新たな定義を提案する。
我々は、画像表現から脳年齢を乱すコサインロスを伴う標準的な自動符号化構造を用いて、LSSL(Longitudinal Self-Supervised Learning)というモデルを実装した。
- 参考スコア(独自算出の注目度): 13.094393751939837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning analysis of longitudinal neuroimaging data is typically
based on supervised learning, which requires a large number of ground-truth
labels to be informative. As ground-truth labels are often missing or expensive
to obtain in neuroscience, we avoid them in our analysis by combing factor
disentanglement with self-supervised learning to identify changes and
consistencies across the multiple MRIs acquired of each individual over time.
Specifically, we propose a new definition of disentanglement by formulating a
multivariate mapping between factors (e.g., brain age) associated with an MRI
and a latent image representation. Then, factors that evolve across
acquisitions of longitudinal sequences are disentangled from that mapping by
self-supervised learning in such a way that changes in a single factor induce
change along one direction in the representation space. We implement this
model, named Longitudinal Self-Supervised Learning (LSSL), via a standard
autoencoding structure with a cosine loss to disentangle brain age from the
image representation. We apply LSSL to two longitudinal neuroimaging studies to
highlight its strength in extracting the brain-age information from MRI and
revealing informative characteristics associated with neurodegenerative and
neuropsychological disorders. Moreover, the representations learned by LSSL
facilitate supervised classification by recording faster convergence and higher
(or similar) prediction accuracy compared to several other representation
learning techniques.
- Abstract(参考訳): 縦型神経画像データの機械学習分析は一般に教師あり学習に基づいているが、そのためには大量の接地ラベルが必要となる。
基底ラベルは神経科学においてしばしば欠落または高価であるため、時間とともに獲得した複数のmriにおける変化や構成を識別するために、自己教師付き学習と因子の絡み合いを組み合わせることで、分析においてそれらを避ける。
具体的には、MRIと潜時画像表現に関連する因子(例えば、脳年齢)の多変量マッピングを定式化することにより、歪みの新たな定義を提案する。
そして、縦列の獲得にまたがって進化する要因は、一つの因子の変化が表現空間の一方向に沿って変化を引き起こすように、自己教師付き学習によってそのマッピングから切り離される。
画像表現から脳年齢を乱すコサイン損失を伴う標準オートエンコーディング構造を用いて,縦型自己教師付き学習(lssl)と呼ばれるこのモデルを実装した。
我々は2つの縦断的神経画像研究にLSSLを適用し、MRIから脳年齢情報を抽出し、神経変性性および神経心理学的障害に関連する情報的特徴を明らかにする。
さらに,lsslによって学習された表現は,他の表現学習手法と比較して,より高速に収束し,高い(あるいは類似した)予測精度を記録できるため,教師付き分類が容易になる。
関連論文リスト
- Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。
深層学習はこれらの表現を捉えることを約束している。
本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
論文 参考訳(メタデータ) (2024-10-30T23:51:31Z) - Brain-Cognition Fingerprinting via Graph-GCCA with Contrastive Learning [28.681229869236393]
縦断的神経画像研究は、脳機能と認知の間の動的相互作用を研究することによって、脳の老化と疾患の理解を改善することを目的としている。
本稿では,グラフ注意ネットワークと一般化相関解析を用いた教師なし学習モデルを提案する。
個々の人の独特の神経・認知表現型を反映した脳認知指紋を作成するために、モデルは個別化およびマルチモーダル・コントラスト学習にも依存する。
論文 参考訳(メタデータ) (2024-09-20T20:36:20Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳(メタデータ) (2024-07-31T04:32:43Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳(メタデータ) (2024-05-28T00:36:25Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文 参考訳(メタデータ) (2023-02-21T18:16:20Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳(メタデータ) (2022-10-28T18:58:34Z) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳(メタデータ) (2021-12-06T10:16:54Z) - Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
縦横埋め込みという表現学習のための自己指導型戦略を提案する。
コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。
2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
論文 参考訳(メタデータ) (2021-03-05T17:55:53Z)
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。