論文の概要: A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in
Brain Tumor Patients Using Dynamic Functional Connectivity
- arxiv url: http://arxiv.org/abs/2011.08813v1
- Date: Tue, 17 Nov 2020 18:18:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 17:48:59.351524
- Title: A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in
Brain Tumor Patients Using Dynamic Functional Connectivity
- Title(参考訳): ダイナミック・ファンクショナル・コネクティビティを用いた脳腫瘍患者の脳皮質局所化のためのマルチタスク深層学習フレームワーク
- Authors: Naresh Nandakumar, Niharika Shimona D'souza, Komal Manzoor, Jay J.
Pillai, Sachin K. Gujar, Haris I. Sair, and Archana Venkataraman
- Abstract要約: 脳腫瘍患者の大脳皮質の言語と運動領域を同時に局在させるために動的機能接続を用いた新しいディープラーニングフレームワークを提案する。
本モデルは,従来の深層学習手法よりも高い局所化精度を達成し,左半球側方化症例で訓練した場合でも,両言語領域を識別できる。
- 参考スコア(独自算出の注目度): 7.04584289867204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel deep learning framework that uses dynamic functional
connectivity to simultaneously localize the language and motor areas of the
eloquent cortex in brain tumor patients. Our method leverages convolutional
layers to extract graph-based features from the dynamic connectivity matrices
and a long-short term memory (LSTM) attention network to weight the relevant
time points during classification. The final stage of our model employs
multi-task learning to identify different eloquent subsystems. Our unique
training strategy finds a shared representation between the cognitive networks
of interest, which enables us to handle missing patient data. We evaluate our
method on resting-state fMRI data from 56 brain tumor patients while using task
fMRI activations as surrogate ground-truth labels for training and testing. Our
model achieves higher localization accuracies than conventional deep learning
approaches and can identify bilateral language areas even when trained on
left-hemisphere lateralized cases. Hence, our method may ultimately be useful
for preoperative mapping in tumor patients.
- Abstract(参考訳): 脳腫瘍患者の大脳皮質の言語と運動領域を同時に局在させるために動的機能接続を用いた新しいディープラーニングフレームワークを提案する。
提案手法は畳み込み層を利用して動的接続行列と長寿命メモリ(LSTM)アテンションネットワークからグラフベースの特徴を抽出し,分類中の時間点の重み付けを行う。
我々のモデルの最終段階は、異なる雄弁なサブシステムを特定するためにマルチタスク学習を採用する。
私たちのユニークなトレーニング戦略は、関心のある認知ネットワーク間の共有表現を見つけることで、欠如した患者データを処理することができます。
本手法は,脳腫瘍患者56名を対象に,課題fMRIアクティベーションをトレーニングとテストのためのサロゲートグラウンドトラスラベルとして用いながら,静止状態fMRIデータの評価を行った。
本モデルは,従来の深層学習手法よりも高い局所化精度を達成し,左半球側方化症例で訓練した場合でも,両言語領域を識別できる。
したがって,本法は腫瘍患者の術前マッピングに有用であると考えられた。
関連論文リスト
- Sparse Multitask Learning for Efficient Neural Representation of Motor
Imagery and Execution [30.186917337606477]
運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。
MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。
以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2023-12-10T09:06:16Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification [6.701251840474303]
自閉症スペクトラム障害(ASD)識別のための動的脳内FCネットワークのトポロジカル構造を学習するための深い確率的枠組みが提案されている。
提案するフレームワークは,動的FCネットワークをまたいだリッチテンポラルパターンを捕捉する空間認識型リカレントニューラルネットワークと,学習したパターンを対象レベルの分類に活用する完全適合型ニューラルネットワークを備えている。
静止状態機能型磁気共鳴画像データセットの評価により,ASDの同定において,我々のフレームワークは最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-14T18:42:17Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳(メタデータ) (2022-05-23T21:57:31Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。
学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。
このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
論文 参考訳(メタデータ) (2021-12-22T23:08:39Z) - Modeling Spatio-Temporal Dynamics in Brain Networks: A Comparison of
Graph Neural Network Architectures [0.5033155053523041]
グラフニューラルネットワーク(GNN)は、新しい構造化グラフ信号の解釈を可能にする。
基板上の局所的な機能的相互作用を学習することにより、GNNベースのアプローチが大規模ネットワーク研究に堅牢に拡張可能であることを示す。
論文 参考訳(メタデータ) (2021-12-08T12:57:13Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳(メタデータ) (2020-11-03T11:00:10Z) - Incremental Training of a Recurrent Neural Network Exploiting a
Multi-Scale Dynamic Memory [79.42778415729475]
本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。
隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。
新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
論文 参考訳(メタデータ) (2020-06-29T08:35:49Z)
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。