Fugu-MT 論文翻訳(概要): Dynamic Functional Connectivity and Graph Convolution Network for Alzheimer's Disease Classification

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

Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals [4.17085180769512]
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれ異なる進行パターンを持つ。本研究は,脳深部領域の時系列信号を解析し,認知症に対する深い学習に基づく分類システムを開発することを目的とする。
論文参考訳（メタデータ） (2024-08-20T13:11:43Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
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)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
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)
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。