論文の概要: Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data

• arxiv url: http://arxiv.org/abs/2007.01930v2
• Date: Tue, 19 Nov 2024 19:17:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:08.320094
• Title: Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data
• Title（参考訳）: 機能的コネトミクスデータを用いた多次元臨床評価のためのニューラルネットワークと辞書学習の統合
• Authors: Niharika Shimona D'Souza, Mary Beth Nebel, Nicholas Wymbs, Stewart Mostofsky, Archana Venkataraman,
• Abstract要約: 本稿では、ニューラルネットワークと辞書学習を組み合わせた統合フレームワークを提案し、静止状態機能MRIと行動データの間の複雑な相互作用をモデル化する。 自閉症スペクトラム障害(ASD)52例を用いたマルチスコア予測課題における組み合わせモデルの評価を行った。 統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。
• 参考スコア（独自算出の注目度）: 3.276067241408604
• License:
• Abstract: We propose a unified optimization framework that combines neural networks with dictionary learning to model complex interactions between resting state functional MRI and behavioral data. The dictionary learning objective decomposes patient correlation matrices into a collection of shared basis networks and subject-specific loadings. These subject-specific features are simultaneously input into a neural network that predicts multidimensional clinical information. Our novel optimization framework combines the gradient information from the neural network with that of a conventional matrix factorization objective. This procedure collectively estimates the basis networks, subject loadings, and neural network weights most informative of clinical severity. We evaluate our combined model on a multi-score prediction task using 52 patients diagnosed with Autism Spectrum Disorder (ASD). Our integrated framework outperforms state-of-the-art methods in a ten-fold cross validated setting to predict three different measures of clinical severity.
• Abstract（参考訳）: 本稿では、ニューラルネットワークと辞書学習を組み合わせた統合最適化フレームワークを提案し、静止状態機能MRIと行動データとの複雑な相互作用をモデル化する。 辞書学習目的は、患者相関行列を共有ベースネットワークと主観的負荷の集合に分解する。 これらの主題固有の特徴は、多次元臨床情報を予測するニューラルネットワークに同時に入力される。 我々の新しい最適化フレームワークは、ニューラルネットワークからの勾配情報と従来の行列分解目標の勾配情報を組み合わせたものである。 本手法は, 基礎ネットワーク, 被検体負荷, 神経ネットワークの重みを総合的に推定し, 臨床症状の重み付けを行う。 自閉症スペクトラム障害(ASD)と診断された52人の患者を対象に,マルチスコア予測タスクにおける組み合わせモデルの評価を行った。 統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。

関連論文リスト

• 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)
• DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
  ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。 これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。 本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-19T23:35:06Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis [13.121103500410156]
  ニューラルネットワークを組み立てることは、ニューラルネットワークの一般化エラーを改善する技術である。 この手法は医療データに対する機械学習に最適であることを示す。 より大規模なデータセットでトレーニングされた単一のモデルよりも優れた、いくつかの選択された患者固有のモデルのアンサンブルを構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-01T13:24:14Z)
• Initial Study into Application of Feature Density and Linguistically-backed Embedding to Improve Machine Learning-based Cyberbullying Detection [54.83707803301847]
  この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。 本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
  論文  参考訳（メタデータ） (2022-06-04T03:17:15Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [7.973810752596346]
  静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。 本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。 我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:56Z)
• A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [5.774786149181392]
  静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。 フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:25Z)
• A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic Connectivity for Predicting Spectrum-Level Deficits in Autism [7.593051703048267]
  我々のフレームワークの生成部分は、構造的に規則化された動的辞書学習(sr-DDL)モデルである。 本フレームワークの深部はLSTM-ANNブロックであり,Sr-DDL負荷の経時的変化をモデル化し,多次元的臨床的重症度を予測する。 自閉症スペクトラム障害(ASD)と診断された57例のマルチスコア予測課題における枠組みの検証を行った。
  論文  参考訳（メタデータ） (2020-07-03T20:18:09Z)

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。