論文の概要: Uncovering the Topology of Time-Varying fMRI Data using Cubical Persistence

• arxiv url: http://arxiv.org/abs/2006.07882v2
• Date: Thu, 22 Oct 2020 17:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 12:56:56.187213
• Title: Uncovering the Topology of Time-Varying fMRI Data using Cubical Persistence
• Title（参考訳）: 立方体パーシステンスを用いた時間変化fMRIデータのトポロジーの解明
• Authors: Bastian Rieck, Tristan Yates, Christian Bock, Karsten Borgwardt, Guy Wolf, Nicholas Turk-Browne, Smita Krishnaswamy
• Abstract要約: 本稿では,fMRIデータセットの各時点をトポロジ的特徴の永続化図として符号化する新しいトポロジ的アプローチを提案する。 これらの時間変化のある永続化ダイアグラムは、参加者間で有意義なグループ化を見つけるためにクラスタ化可能であることを示す。 同じ映画を見ている大人と子供の脳状態の軌跡と全体的トポロジカルな活動に有意な差が認められた。
• 参考スコア（独自算出の注目度）: 20.696869516414587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional magnetic resonance imaging (fMRI) is a crucial technology for gaining insights into cognitive processes in humans. Data amassed from fMRI measurements result in volumetric data sets that vary over time. However, analysing such data presents a challenge due to the large degree of noise and person-to-person variation in how information is represented in the brain. To address this challenge, we present a novel topological approach that encodes each time point in an fMRI data set as a persistence diagram of topological features, i.e. high-dimensional voids present in the data. This representation naturally does not rely on voxel-by-voxel correspondence and is robust to noise. We show that these time-varying persistence diagrams can be clustered to find meaningful groupings between participants, and that they are also useful in studying within-subject brain state trajectories of subjects performing a particular task. Here, we apply both clustering and trajectory analysis techniques to a group of participants watching the movie 'Partly Cloudy'. We observe significant differences in both brain state trajectories and overall topological activity between adults and children watching the same movie.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、人間の認知過程を理解する上で重要な技術である。 fMRI測定から得られたデータは、時間とともに変化するボリュームデータセットをもたらす。 しかし、そのようなデータを解析することは、脳内の情報がどのように表現されるかにおいて、大きなノイズと個人間変動のために困難を呈する。 この課題に対処するために,fmriデータセット内の各時点を,そのデータに存在する高次元空隙などの位相的特徴の永続化図としてエンコードする新しいトポロジカルアプローチを提案する。 この表現は自然にボクセル・バイ・ボクセル対応に依存しず、雑音に頑健である。 これらの時間変化の持続図は、参加者間で有意義なグルーピングを見つけるためにクラスタ化され、特定のタスクを行う被験者の脳内状態軌跡の研究にも有用であることを示す。 ここでは,映画「一部曇り」を視聴する参加者のグループに対して,クラスタリングと軌道解析の手法を適用した。 同じ映画を見ている大人と子供の脳状態軌跡と全体的トポロジカルな活動に有意な差が認められた。

関連論文リスト

• 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)
• BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
  本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-06-24T19:16:24Z)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• 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)
• Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
  MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。 学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。 このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
  論文  参考訳（メタデータ） (2021-12-22T23:08:39Z)
• 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)
• Incorporating structured assumptions with probabilistic graphical models in fMRI data analysis [5.23143327587266]
  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。
  論文  参考訳（メタデータ） (2020-05-11T06:32:54Z)
• Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
  本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。 マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
  論文  参考訳（メタデータ） (2020-04-01T09:01:25Z)
• Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
  fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。 深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。 私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
  論文  参考訳（メタデータ） (2020-02-29T18:49:45Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。