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
- Neural network-based coronary dominance classification of RCA angiograms [0.3177496877224142]
右冠状動脈 (RCA) 血管造影による心臓支配の分類法を提案する。
対象は828例で,その内192例が左支配症例であった。
RCAのみに基づく心臓支配を分類するための機械学習アプローチの使用は、良好な精度で成功していることが示されている。
論文 参考訳(メタデータ) (2023-09-13T13:47:52Z) - 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) - Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free
Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。
腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。
患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文 参考訳(メタデータ) (2021-11-06T10:28:48Z) - 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) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳(メタデータ) (2020-10-21T18:11:36Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。