論文の概要: Predicting Future Cognitive Decline with Hyperbolic Stochastic Coding
- arxiv url: http://arxiv.org/abs/2102.10503v1
- Date: Sun, 21 Feb 2021 04:07:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:59:06.666277
- Title: Predicting Future Cognitive Decline with Hyperbolic Stochastic Coding
- Title(参考訳): 双曲確率符号化による認知機能低下の予測
- Authors: J. Zhang, Q. Dong, J. Shi, Q. Li, C.M. Stonnington, B.A. Gutman, K.
Chen, E.M. Reiman, R.J. Caselli, P.M. Thompson, J. Ye, Y. Wang
- Abstract要約: ハイパーボリックコーディング(HSC)と呼ばれる新しいフレームワークを提案する。
予備実験の結果から,様々な分類タスクで優れた結果が得られることが示された。
私たちの仕事は、表面ベースの脳イメージング研究ツールを豊かにし、個々の治療戦略に役立つ診断および予後指標に潜在的に役立ちます。
- 参考スコア(独自算出の注目度): 0.7637291629898925
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Hyperbolic geometry has been successfully applied in modeling brain cortical
and subcortical surfaces with general topological structures. However such
approaches, similar to other surface based brain morphology analysis methods,
usually generate high dimensional features. It limits their statistical power
in cognitive decline prediction research, especially in datasets with limited
subject numbers. To address the above limitation, we propose a novel framework
termed as hyperbolic stochastic coding (HSC). Our preliminary experimental
results show that our algorithm achieves superior results on various
classification tasks. Our work may enrich surface based brain imaging research
tools and potentially result in a diagnostic and prognostic indicator to be
useful in individualized treatment strategies.
- Abstract(参考訳): 双曲幾何学は、一般的なトポロジカル構造を持つ脳皮質および皮質表面のモデリングに成功した。
しかし、そのようなアプローチは、他の表面ベースの脳形態分析法と同様に、通常、高次元の特徴を生み出す。
認知低下予測研究、特に限られた対象数を持つデータセットにおける統計力を制限する。
このような制約に対処するため,HSC(hyperbolic stochastic code)と呼ばれる新しいフレームワークを提案する。
予備実験の結果から,様々な分類タスクで優れた結果が得られることが示された。
我々の研究は、表面ベースの脳画像研究ツールを充実させ、個々の治療戦略に役立つ診断および予後指標をもたらす可能性がある。
関連論文リスト
- 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) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。
9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。
これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
論文 参考訳(メタデータ) (2023-09-12T02:42:11Z) - NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [10.294767093317404]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。
行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文 参考訳(メタデータ) (2023-06-09T19:10:16Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳(メタデータ) (2022-03-15T23:16:49Z) - Topological Data Analysis (TDA) Techniques Enhance Hand Pose
Classification from ECoG Neural Recordings [0.0]
時系列データのトポロジ的記述を導入し、手ポーズ分類を強化する。
4ラベルの分類問題に対して,可利用データに制限のあるAC精度で頑健な結果が得られた。
論文 参考訳(メタデータ) (2021-10-09T22:04:43Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。
結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
論文 参考訳(メタデータ) (2020-10-04T19:46:04Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z)
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。