論文の概要: Co-evolution of Functional Brain Network at Multiple Scales during Early Infancy

• arxiv url: http://arxiv.org/abs/2009.06899v1
• Date: Tue, 15 Sep 2020 07:21:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:50:56.520351
• Title: Co-evolution of Functional Brain Network at Multiple Scales during Early Infancy
• Title（参考訳）: 幼児期における機能的脳ネットワークの多機能化
• Authors: Xuyun Wen, Liming Hsu, Weili Lin, Han Zhang, Dinggang Shen
• Abstract要約: 乳児の2歳から2歳までの縦断的安静時機能的磁気共鳴画像データセットを応用した。 収集した縦断的幼児データセットに提案手法の枠組みを適用して,脳機能ネットワークが異なるスケールで共進化していることを示す最初の証拠を提示した。
• 参考スコア（独自算出の注目度）: 52.4179778122852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The human brains are organized into hierarchically modular networks facilitating efficient and stable information processing and supporting diverse cognitive processes during the course of development. While the remarkable reconfiguration of functional brain network has been firmly established in early life, all these studies investigated the network development from a "single-scale" perspective, which ignore the richness engendered by its hierarchical nature. To fill this gap, this paper leveraged a longitudinal infant resting-state functional magnetic resonance imaging dataset from birth to 2 years of age, and proposed an advanced methodological framework to delineate the multi-scale reconfiguration of functional brain network during early development. Our proposed framework is consist of two parts. The first part developed a novel two-step multi-scale module detection method that could uncover efficient and consistent modular structure for longitudinal dataset from multiple scales in a completely data-driven manner. The second part designed a systematic approach that employed the linear mixed-effect model to four global and nodal module-related metrics to delineate scale-specific age-related changes of network organization. By applying our proposed methodological framework on the collected longitudinal infant dataset, we provided the first evidence that, in the first 2 years of life, the brain functional network is co-evolved at different scales, where each scale displays the unique reconfiguration pattern in terms of modular organization.
• Abstract（参考訳）: 人間の脳は階層的なモジュラーネットワークに組織され、効率的で安定した情報処理を促進し、開発過程における多様な認知プロセスをサポートする。 機能的脳ネットワークの顕著な再構成は、初期の段階においてしっかりと確立されてきたが、これらの研究はすべて、その階層的性質によって引き起こされた豊かさを無視する「シングルスケール」の観点からネットワーク開発を調査した。 このギャップを埋めるために, 乳幼児の2歳から2歳までの機能的磁気共鳴画像データセットを活用するとともに, 機能的脳ネットワークのマルチスケール再構成を早期に行うための高度な方法論的枠組みを提案する。 提案する枠組みは2つの部分からなる。 第1部では,データ駆動方式で複数スケールの縦型データセットの効率的かつ一貫性のあるモジュール構造を明らかにするための,新たな2段階多スケールモジュール検出手法を開発した。 第2部では,線形混合効果モデルを4つのグローバルモジュールおよびnodalモジュール関連メトリクスに適用して,ネットワーク組織におけるスケール固有の年齢関連変化を記述した体系的アプローチを考案した。 収集した縦断的幼児データセットに提案手法の枠組みを適用して,最初の2年間で,脳機能ネットワークは異なるスケールで共進化し,各スケールがモジュール構造の観点から独自の再構成パターンを表示するという最初の証拠を提示した。

関連論文リスト

• Multi-Task Adversarial Variational Autoencoder for Estimating Biological Brain Age with Multimodal Neuroimaging [8.610253537046692]
  我々は、脳年齢予測を改善するために設計された独自のディープラーニングフレームワークであるMultitask Adversarial Variational Autoencoderを提案する。 このモデルは潜在変数を汎用的およびユニークなコードに分離し、共有およびモダリティ固有の特徴を分離する。 マルチタスク学習と性分類を付加的なタスクとして統合することにより、モデルが性固有の老化パターンをキャプチャする。
  論文  参考訳（メタデータ） (2024-11-15T10:50:36Z)
• 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)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
  我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。 強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
  論文  参考訳（メタデータ） (2021-07-06T17:59:49Z)
• Dynamics of specialization in neural modules under resource constraints [2.9465623430708905]
  構造的モジュラリティは機能的特殊化を保証するのに十分であるという仮説を,人工ニューラルネットワークを用いて検証する。 構造的モジュラリティに基づく静的な特殊化の概念は、現実世界の複雑さの状況における知性を理解するためのフレームワークとしては、あまりにも単純すぎると結論付けている。
  論文  参考訳（メタデータ） (2021-06-04T17:39:36Z)
• Convolutional Neural Networks for cytoarchitectonic brain mapping at large scale [0.33727511459109777]
  今回我々は,ヒト後脳の多数の細胞体染色組織における細胞構造学的領域をマッピングするための新しいワークフローを提案する。 これはDeep Convolutional Neural Network (CNN)に基づいており、アノテーション付きの一対のセクションイメージに基づいてトレーニングされており、その間に多数の注釈のないセクションがある。 新しいワークフローは、セクションの3D再構成を必要とせず、組織学的アーティファクトに対して堅牢である。
  論文  参考訳（メタデータ） (2020-11-25T16:25:13Z)
• Self-organization of multi-layer spiking neural networks [4.859525864236446]
  発達する脳における複雑な構造の形成を可能にする重要なメカニズムは、神経活動の経時的波の出現である。 多層ニューラルネットワークをシームレスに積み重ねることのできる動的システムの形でモジュール式ツールキットを提案する。 我々のフレームワークは、多層パーセプトロンからオートエンコーダまで、幅広いアーキテクチャの自己組織化に繋がる。
  論文  参考訳（メタデータ） (2020-06-12T01:44:48Z)

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。