論文の概要: Classification of Schizophrenia from Functional MRI Using Large-scale
Extended Granger Causality
- arxiv url: http://arxiv.org/abs/2101.10471v1
- Date: Tue, 12 Jan 2021 20:36:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 04:21:57.463342
- Title: Classification of Schizophrenia from Functional MRI Using Large-scale
Extended Granger Causality
- Title(参考訳): 大規模拡張グランガー因果性を用いた機能MRIからの統合失調症の分類
- Authors: Axel Wism\"uller and M. Ali Vosoughi
- Abstract要約: 大規模拡張グランジャー因果関係(lsxgc)は脳ネットワーク接続の変化を捉えることができる。
lsXGCは典型的なコントロールから統合失調症の患者を分類するためのバイオマーカーとして機能します。
統合失調症のバイオマーカーとしてのlsXGCの適用性について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The literature manifests that schizophrenia is associated with alterations in
brain network connectivity. We investigate whether large-scale Extended Granger
Causality (lsXGC) can capture such alterations using resting-state fMRI data.
Our method utilizes dimension reduction combined with the augmentation of
source time-series in a predictive time-series model for estimating directed
causal relationships among fMRI time-series. The lsXGC is a multivariate
approach since it identifies the relationship of the underlying dynamic system
in the presence of all other time-series. Here lsXGC serves as a biomarker for
classifying schizophrenia patients from typical controls using a subset of 62
subjects from the Centers of Biomedical Research Excellence (COBRE) data
repository. We use brain connections estimated by lsXGC as features for
classification. After feature extraction, we perform feature selection by
Kendall's tau rank correlation coefficient followed by classification using a
support vector machine. As a reference method, we compare our results with
cross-correlation, typically used in the literature as a standard measure of
functional connectivity. We cross-validate 100 different training/test
(90%/10%) data split to obtain mean accuracy and a mean Area Under the receiver
operating characteristic Curve (AUC) across all tested numbers of features for
lsXGC. Our results demonstrate a mean accuracy range of [0.767, 0.940] and a
mean AUC range of [0.861, 0.983] for lsXGC. The result of lsXGC is
significantly higher than the results obtained with the cross-correlation,
namely mean accuracy of [0.721, 0.751] and mean AUC of [0.744, 0.860]. Our
results suggest the applicability of lsXGC as a potential biomarker for
schizophrenia.
- Abstract(参考訳): この文献は統合失調症が脳ネットワーク接続の変化と関連していることを示している。
本研究では, 大規模拡張グランガー因果性 (lsXGC) が静止状態fMRIデータを用いてこのような変化を捉えることができるか検討する。
本手法は,fMRI時系列間の有向因果関係を推定するための予測時系列モデルにおいて,ソース時系列の増大と合わせて次元削減を利用する。
lsXGCは、他のすべての時系列の存在下で、基礎となる動的システムとの関係を特定するため、多変量アプローチである。
ここでlsxgcは、cobre(center of biomedical research excellence)データリポジトリから62名の被験者のサブセットを使用して、統合失調症患者を典型的なコントロールから分類するためのバイオマーカーとして機能する。
分類の特徴としてlsxgcによって推定される脳結合を用いる。
特徴抽出後,kendallのtauランク相関係数による特徴抽出を行い,サポートベクターマシンを用いた分類を行った。
参考法として, 機能的接続性の標準尺度として文献で一般的に用いられる相互相関法と比較した。
我々は,100種類の異なるトレーニング/テスト (90%/10%) データを分割して平均精度と受信機動作特性曲線 (auc) 下の平均領域を得る。
その結果,lsXGCの平均精度範囲は[0.767,0.940],平均AUC範囲は[0.861,0.983]であった。
lsXGCの結果は, [0.721, 0.751] の平均精度と [0.744, 0.860] の平均 AUC との相互相関の結果よりも有意に高い。
統合失調症のバイオマーカーとしてのlsXGCの有用性が示唆された。
関連論文リスト
- Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images [0.0]
脳ネットワーク接続におけるマリファナの消費と変化の関係は、科学文献において認識されている事実である。
この研究は、lsAGCがこれらの変化を正確に識別する方法を探索する。
論文 参考訳(メタデータ) (2024-10-24T07:50:10Z) - Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。
2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。
パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文 参考訳(メタデータ) (2024-07-14T21:29:28Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳(メタデータ) (2024-05-29T20:15:54Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Learning to diagnose common thorax diseases on chest radiographs from
radiology reports in Vietnamese [0.33598755777055367]
ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。
このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
論文 参考訳(メタデータ) (2022-09-11T06:06:03Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Large-scale Augmented Granger Causality (lsAGC) for Connectivity
Analysis in Complex Systems: From Computer Simulations to Functional MRI
(fMRI) [0.0]
本稿では,複合システムにおける接続解析の方法として,大規模Augmented Granger Causality (lsAGC)を導入している。
lsAGCアルゴリズムは、寸法低減とソース時系列拡張を組み合わせた。
合成指向性時系列ネットワーク上での lsAGC の性能を定量的に評価する。
論文 参考訳(メタデータ) (2021-01-10T01:44:48Z) - Large-Scale Extended Granger Causality for Classification of Marijuana
Users From Functional MRI [0.0]
マリファナの使用は脳ネットワーク接続の変化と関連していることが文献で示されている。
本研究では,lsXGC(Extended Granger Causality)を提案し,静止状態fMRIを用いてその変化を捉えるかどうかを検討する。
本研究では,小児期にADHDと診断された成人136名を対象に,マリファナユーザを典型的制御から分類するバイオマーカーとして機能するかどうかを検討する。
論文 参考訳(メタデータ) (2021-01-06T00:40:47Z)
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。