論文の概要: Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning
to Integrate Multimodal and Dynamic Functional Connectomics data for
Multidimensional Clinical Characterizations
- arxiv url: http://arxiv.org/abs/2008.12410v1
- Date: Thu, 27 Aug 2020 23:43:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 07:36:36.470982
- Title: Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning
to Integrate Multimodal and Dynamic Functional Connectomics data for
Multidimensional Clinical Characterizations
- Title(参考訳): 深層sr-ddl : 多変量および動的機能コネクトミクスデータを統合した多次元臨床評価のための深層構造正規化動的辞書学習
- Authors: Niharika Shimona D'Souza, Mary Beth Nebel, Deana Crocetti, Nicholas
Wymbs, Joshua Robinson, Stewart H. Mostofsky, Archana Venkataraman
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.973810752596346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel integrated framework that jointly models complementary
information from resting-state functional MRI (rs-fMRI) connectivity and
diffusion tensor imaging (DTI) tractography to extract biomarkers of brain
connectivity predictive of behavior. Our framework couples a generative model
of the connectomics data with a deep network that predicts behavioral scores.
The generative component is a structurally-regularized Dynamic Dictionary
Learning (sr-DDL) model that decomposes the dynamic rs-fMRI correlation
matrices into a collection of shared basis networks and time varying
subject-specific loadings. We use the DTI tractography to regularize this
matrix factorization and learn anatomically informed functional connectivity
profiles. The deep component of our framework is an LSTM-ANN block, which uses
the temporal evolution of the subject-specific sr-DDL loadings to predict
multidimensional clinical characterizations. Our joint optimization strategy
collectively estimates the basis networks, the subject-specific time-varying
loadings, and the neural network weights. We validate our framework on a
dataset of neurotypical individuals from the Human Connectome Project (HCP)
database to map to cognition and on a separate multi-score prediction task on
individuals diagnosed with Autism Spectrum Disorder (ASD) in a five-fold cross
validation setting. Our hybrid model outperforms several state-of-the-art
approaches at clinical outcome prediction and learns interpretable multimodal
neural signatures of brain organization.
- Abstract(参考訳): 本研究では, 静止機能MRI(r-fMRI)と拡散テンソルイメージング(DTI)のトラクトグラフィーから相補的情報を共同でモデル化し, 生体マーカーを抽出する手法を提案する。
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。
生成成分は構造的に規則化された動的辞書学習(sr-DDL)モデルであり、動的rs-fMRI相関行列を共有ベースネットワークのコレクションに分解し、時間的に異なる主観的なロードを行う。
このマトリックス因子化を定式化し,解剖学的にインフォームドされた機能的接続プロファイルを学習するためにdtiトラクトグラフィを用いた。
本フレームワークの深部はLSTM-ANNブロックであり,多次元臨床像の予測に主観的Sr-DDL負荷の時間的変化を利用する。
我々の共同最適化戦略は、基礎ネットワーク、主題特異的時間変動負荷、ニューラルネットワーク重みを総合的に推定する。
自閉症スペクトラム障害 (asd) と診断された患者に対して, hcp (human connectome project) データベースからの神経型個体のデータセット上で, 認知にマップし, 個別のマルチスコア予測タスクを5倍のクロス検証設定で検証した。
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を上回り、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。
関連論文リスト
- 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) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - A Matrix Autoencoder Framework to Align the Functional and Structural
Connectivity Manifolds as Guided by Behavioral Phenotypes [10.444460609337106]
静止状態fMRI(rs-fMRI)から拡散イメージング(DTI)の構造コネクトームにマップする新しいマトリックスオートエンコーダを提案する。
我々は、Human Connectome Projectデータベースから275名の健常者のデータセットと、自閉症スペクトラム障害57名からなる第2の臨床データセットを検証した。
論文 参考訳(メタデータ) (2021-05-30T02:06:12Z) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳(メタデータ) (2021-01-20T20:53:07Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - 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) - Integrating Neural Networks and Dictionary Learning for Multidimensional
Clinical Characterizations from Functional Connectomics Data [5.382679710017696]
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。
論文 参考訳(メタデータ) (2020-07-03T20:14:45Z) - 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。