論文の概要: Multiple-shooting adjoint method for whole-brain dynamic causal modeling
- arxiv url: http://arxiv.org/abs/2102.11013v1
- Date: Sun, 14 Feb 2021 05:00:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:40:19.872527
- Title: Multiple-shooting adjoint method for whole-brain dynamic causal modeling
- Title(参考訳): 全脳動的因果モデリングのためのマルチシューティング随伴法
- Authors: Juntang Zhuang, Nicha Dvornek, Sekhar Tatikonda, Xenophon
Papademetris, Pamela Ventola, James Duncan
- Abstract要約: 機能的MRI(fMRI)における全脳機能解析などの大規模システムに適したマルチショットアジョイント(MSA)
MSAはEMよりもパラメータ値推定の精度が高い。
本研究では,自閉症スペクトラム障害(ASD)と制御の分類を機能的コネクトームと比較し改善した。
- 参考スコア(独自算出の注目度): 8.943170877509923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic causal modeling (DCM) is a Bayesian framework to infer directed
connections between compartments, and has been used to describe the
interactions between underlying neural populations based on functional
neuroimaging data. DCM is typically analyzed with the expectation-maximization
(EM) algorithm. However, because the inversion of a large-scale continuous
system is difficult when noisy observations are present, DCM by EM is typically
limited to a small number of compartments ($<10$). Another drawback with the
current method is its complexity; when the forward model changes, the posterior
mean changes, and we need to re-derive the algorithm for optimization. In this
project, we propose the Multiple-Shooting Adjoint (MSA) method to address these
limitations. MSA uses the multiple-shooting method for parameter estimation in
ordinary differential equations (ODEs) under noisy observations, and is
suitable for large-scale systems such as whole-brain analysis in functional MRI
(fMRI). Furthermore, MSA uses the adjoint method for accurate gradient
estimation in the ODE; since the adjoint method is generic, MSA is a generic
method for both linear and non-linear systems, and does not require
re-derivation of the algorithm as in EM. We validate MSA in extensive
experiments: 1) in toy examples with both linear and non-linear models, we show
that MSA achieves better accuracy in parameter value estimation than EM;
furthermore, MSA can be successfully applied to large systems with up to 100
compartments; and 2) using real fMRI data, we apply MSA to the estimation of
the whole-brain effective connectome and show improved classification of autism
spectrum disorder (ASD) vs. control compared to using the functional
connectome. The package is provided
\url{https://jzkay12.github.io/TorchDiffEqPack}
- Abstract(参考訳): 動的因果モデリング(dcm)は、コンパートメント間の有向接続を推測するベイズ的枠組みであり、機能的神経画像データに基づく基礎的神経集団間の相互作用を記述するために用いられてきた。
DCMは通常、期待最大化(EM)アルゴリズムで解析される。
しかし、ノイズの多い観測が存在する場合、大規模連続系の逆転は困難であるため、EMによるDCMは通常、少数のコンパートメント($<10$)に制限される。
現在の方法のもう一つの欠点は複雑さであり、前方モデルが変化すると後平均が変化し、最適化のためにアルゴリズムを再導出する必要がある。
本稿では,これらの制約に対処するMultiple-Shooting Adjoint (MSA)法を提案する。
MSAは,一般微分方程式(ODE)のパラメータ推定にマルチシューティング法を用い,機能的MRI(fMRI)における全脳分析などの大規模システムに適している。
さらに、MSAは、ODEの正確な勾配推定にadjoint法を使用し、adjoint法は汎用的であるため、線形系と非線形系の汎用的手法であり、EMのようなアルゴリズムの再導出を必要としない。
1) 線形モデルと非線形モデルの両方を用いた玩具実験において,MSAはEMよりもパラメータ値推定の精度が良いこと,さらに,100個のコンパートメントを持つ大規模システムに適用可能であること,2) 実fMRIデータを用いて全脳有効コネクトームの推定にMSAを適用し,機能的コネクトームと比較して自閉症スペクトラム障害(ASD)と制御の分類の改善を示す。
パッケージは \url{https://jzkay12.github.io/torchdiffeqpack} で提供される。
関連論文リスト
- HyperMM : Robust Multimodal Learning with Varying-sized Inputs [4.377889826841039]
HyperMMは、さまざまなサイズの入力で学習するために設計されたエンドツーエンドフレームワークである。
本稿では,条件付きハイパーネットワークを用いたユニバーサル特徴抽出器のトレーニング手法を提案する。
アルツハイマー病の診断と乳癌の分類の2つの課題において,本手法の利点を実験的に実証した。
論文 参考訳(メタデータ) (2024-07-30T12:13:18Z) - Robust Fiber ODF Estimation Using Deep Constrained Spherical
Deconvolution for Diffusion MRI [7.9283612449524155]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳(メタデータ) (2023-06-05T14:06:40Z) - MISNN: Multiple Imputation via Semi-parametric Neural Networks [9.594714330925703]
バイオメディカル・ソーシャル・エコノメトリー研究において、多重計算(Multiple Imputation, MI)は、欠落した価値問題に広く応用されている。
提案するMISNNは,MIの特徴選択を取り入れた,新規で効率的なアルゴリズムである。
論文 参考訳(メタデータ) (2023-05-02T21:45:36Z) - A Unified Learning Model for Estimating Fiber Orientation Distribution
Functions on Heterogeneous Multi-shell Diffusion-weighted MRI [7.619657591752497]
拡散強調(DW)MRIは、各ボクセルの局所拡散過程の方向とスケールを、q空間のスペクトルを通して測定する。
近年の微細構造イメージングと多部分解の進展は、信号の放射状b値依存性に新たな注意を喚起している。
単一ステージの球面畳み込みニューラルネットワークを用いて,効率的な繊維配向分布関数推定を行う。
論文 参考訳(メタデータ) (2023-03-29T00:58:18Z) - Sparse high-dimensional linear regression with a partitioned empirical
Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。
パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。
提案手法はRパッケージプローブに実装されている。
論文 参考訳(メタデータ) (2022-09-16T19:15:50Z) - Multiplex-detection Based Multiple Instance Learning Network for Whole
Slide Image Classification [2.61155594652503]
マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。
本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。
具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
論文 参考訳(メタデータ) (2022-08-06T14:36:48Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge
Computing [113.52575069030192]
セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。
通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。
分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。
分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
論文 参考訳(メタデータ) (2020-10-02T10:41:59Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z) - Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。
マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
論文 参考訳(メタデータ) (2020-01-09T09:17:49Z)
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。