論文の概要: Dynamic Functional Connectivity and Graph Convolution Network for
Alzheimer's Disease Classification
- arxiv url: http://arxiv.org/abs/2006.13510v1
- Date: Wed, 24 Jun 2020 06:45:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 10:18:55.343634
- Title: Dynamic Functional Connectivity and Graph Convolution Network for
Alzheimer's Disease Classification
- Title(参考訳): アルツハイマー病分類のための動的機能接続性とグラフ畳み込みネットワーク
- Authors: Xingwei An, Yutao Zhou, Yang Di, Dong Ming
- Abstract要約: アルツハイマー病(AD)は認知症の最も一般的な形態である。従来の方法ではADの効率的かつ正確な診断ができない。
本稿では,脳の変化を効果的に捉えることのできる動的機能接続(dFC)に基づく新しい手法を提案する。
- 参考スコア(独自算出の注目度): 0.7723181091241251
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease (AD) is the most prevalent form of dementia. Traditional
methods cannot achieve efficient and accurate diagnosis of AD. In this paper,
we introduce a novel method based on dynamic functional connectivity (dFC) that
can effectively capture changes in the brain. We compare and combine four
different types of features including amplitude of low-frequency fluctuation
(ALFF), regional homogeneity (ReHo), dFC and the adjacency matrix of different
brain structures between subjects. We use graph convolution network (GCN) which
consider the similarity of brain structure between patients to solve the
classification problem of non-Euclidean domains. The proposed method's accuracy
and the area under the receiver operating characteristic curve achieved 91.3%
and 98.4%. This result demonstrated that our proposed method can be used for
detecting AD.
- Abstract(参考訳): アルツハイマー病 (ad) は最も一般的な認知症である。
従来の方法ではADの効率的かつ正確な診断はできない。
本稿では,脳の変化を効果的に捉えることのできる動的機能接続(dFC)に基づく新しい手法を提案する。
低周波変動の振幅(alff)、局所的同質性(reho)、dfc(dfc)、脳構造の違いによる隣接行列(adjacency matrix)の4種類の特徴を比較し、組み合わせた。
患者間の脳構造の類似性を考慮したグラフ畳み込みネットワーク(gcn)を用いて,非ユークリッド領域の分類問題を解く。
提案手法の精度と受信機動作特性曲線下の面積は91.3%,98.4%であった。
その結果,本手法はADの検出に有効であることがわかった。
関連論文リスト
- EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD
Diagnosis via Inter-regional Relation Learning [11.344446341236267]
本稿では,脳領域間の非線形高次機能的関連を識別する新しい利害選択領域(EAG-RS)を提案する。
このフレームワークは, (i) ランダムなシードベースネットワークマスキングによる非線形関係を推定するための地域間関係学習, (ii) 機能的接続間の高次関係を探索するための接続関連度スコア推定, (iii) 非線形高次FCベースの診断非形式ROI選択とASDの識別のための学習の3段階を含む。
論文 参考訳(メタデータ) (2023-10-05T09:14:54Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳(メタデータ) (2023-06-15T16:22:57Z) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - Tensor-Based Multi-Modality Feature Selection and Regression for
Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。
3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文 参考訳(メタデータ) (2022-09-23T02:17:27Z) - 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) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳(メタデータ) (2022-04-21T08:23:44Z) - 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) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-09-12T22:40:50Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
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。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。