論文の概要: Unsupervised deep learning for individualized brain functional network
identification
- arxiv url: http://arxiv.org/abs/2012.06494v1
- Date: Fri, 11 Dec 2020 16:58:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 02:57:45.950200
- Title: Unsupervised deep learning for individualized brain functional network
identification
- Title(参考訳): 個別化脳機能ネットワーク同定のための教師なし深層学習
- Authors: Hongming Li, Yong Fan
- Abstract要約: 静止状態fMRI(rsfMRI)から個人固有の大規模脳機能ネットワーク(FN)を同定する新しい教師なし深層学習法を開発した。
本手法は,深層デコーダネットワークと従来の脳分解モデルを用いて,教師なし学習フレームワークで個々のFNを同定する。
- 参考スコア(独自算出の注目度): 3.6930948691311007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel unsupervised deep learning method is developed to identify
individual-specific large scale brain functional networks (FNs) from
resting-state fMRI (rsfMRI) in an end-to-end learning fashion. Our method
leverages deep Encoder-Decoder networks and conventional brain decomposition
models to identify individual-specific FNs in an unsupervised learning
framework and facilitate fast inference for new individuals with one forward
pass of the deep network. Particularly, convolutional neural networks (CNNs)
with an Encoder-Decoder architecture are adopted to identify
individual-specific FNs from rsfMRI data by optimizing their data fitting and
sparsity regularization terms that are commonly used in brain decomposition
models. Moreover, a time-invariant representation learning module is designed
to learn features invariant to temporal orders of time points of rsfMRI data.
The proposed method has been validated based on a large rsfMRI dataset and
experimental results have demonstrated that our method could obtain
individual-specific FNs which are consistent with well-established FNs and are
informative for predicting brain age, indicating that the individual-specific
FNs identified truly captured the underlying variability of individualized
functional neuroanatomy.
- Abstract(参考訳): 安静状態fmri(rsfmri)から個人特異的大脳機能ネットワーク(fns)をエンド・ツー・エンドの学習方法で同定する,教師なし深層学習法を開発した。
本手法では,ディープエンコーダ・デコーダネットワークと従来の脳分解モデルを用いて,教師なし学習フレームワークにおける個人固有のFNを同定し,ディープネットワークの1つの前方パスを持つ新規個体の高速推論を容易にする。
特に、エンコーダ・デコーダアーキテクチャを備えた畳み込みニューラルネットワーク(CNN)を用いて、脳分解モデルで一般的に使用されるデータフィッティングと空間正規化項を最適化することにより、rsfMRIデータから個々のFNを識別する。
さらに、時変表現学習モジュールは、rsfMRIデータの時間点の時間順に不変な特徴を学習するように設計されている。
提案手法は,大規模なrsfmriデータセットに基づいて検証され,実験により,確立されたfnsと整合し,脳年齢の予測に有用である個体特異的fnが得られることを実証し,個体特異的fnsが機能神経解剖学の基盤的変動を真に捉えたことを示す。
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) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - 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) - Selective Memory Recursive Least Squares: Recast Forgetting into Memory
in RBF Neural Network Based Real-Time Learning [2.31120983784623]
放射ベース関数ニューラルネットワーク(RBFNN)に基づくリアルタイム学習タスクでは、忘れるメカニズムが広く使用されている。
本稿では,従来の記憶機構を記憶機構に再キャストする選択記憶再帰最小二乗法(SMRLS)を提案する。
SMRLSでは、RBFNNの入力空間を有限個の分割に均等に分割し、各分割から合成されたサンプルを用いて合成目的関数を開発する。
論文 参考訳(メタデータ) (2022-11-15T05:29:58Z) - Secure & Private Federated Neuroimaging [17.946206585229675]
Federated Learningは、データを共有することなく、複数のデータソース上でニューラルネットワークモデルの分散トレーニングを可能にする。
各サイトは、ニューラルネットワークをプライベートデータ上でしばらくトレーニングし、ニューラルネットワークパラメータをフェデレーションコントローラと共有する。
当社のフェデレートラーニングアーキテクチャであるMetisFLは、強力なセキュリティとプライバシを提供します。
論文 参考訳(メタデータ) (2022-05-11T03:36:04Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳(メタデータ) (2021-06-03T00:02:05Z) - Collective Decision of One-vs-Rest Networks for Open Set Recognition [0.0]
厳密で洗練された決定境界を設定することでOSRの性能を最大化できるという直感に基づく,シンプルなオープンセット認識(OSR)手法を提案する。
提案手法は, オーバージェネリゼーションを効果的に低減し, 最先端の手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2021-03-18T13:06:46Z) - 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) - 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) - 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) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。