Fugu-MT 論文翻訳(概要): BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification

論文の概要: BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification

arxiv url: http://arxiv.org/abs/2103.08494v1
Date: Wed, 10 Mar 2021 23:44:53 GMT
ステータス: 処理完了
システム内更新日: 2021-04-05 01:02:59.632221
Title: BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification
Title（参考訳）: BrainNetGAN:認知症分類のための生成的対向ネットワークを用いた脳接続データの拡張
Authors: Chao Li, Yiran Wei, Xi Chen
Abstract要約: アルツハイマー病は最も一般的な年齢関連認知症である。脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。アルツハイマー病は最も一般的な年齢関連認知症である。
参考スコア（独自算出の注目度）: 9.312868504719193
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Alzheimer's disease (AD) is the most common age-related dementia. It remains a challenge to identify the individuals at risk of dementia for precise management. Brain MRI offers a noninvasive biomarker to detect brain aging. Previous evidence shows that the brain structural change detected by diffusion MRI is associated with dementia. Mounting studies has conceptualised the brain as a complex network, which has shown the utility of this approach in characterising various neurological and psychiatric disorders. Therefore, the structural connectivity shows promise in dementia classification. The proposed BrainNetGAN is a generative adversarial network variant to augment the brain structural connectivity matrices for binary dementia classification tasks. Structural connectivity matrices between separated brain regions are constructed using tractography on diffusion MRI data. The BrainNetGAN model is trained to generate fake brain connectivity matrices, which are expected to reflect latent distribution of the real brain network data. Finally, a convolutional neural network classifier is proposed for binary dementia classification. Numerical results show that the binary classification performance in the testing set was improved using the BrainNetGAN augmented dataset. The proposed methodology allows quick synthesis of an arbitrary number of augmented connectivity matrices and can be easily transferred to similar classification tasks.
Abstract（参考訳）: アルツハイマー病 (ad) は最も一般的な年齢関連認知症である。正確な管理のために認知症リスクのある個人を特定することは依然として課題である。脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。拡散MRIで検出された脳構造変化が認知症と関連しているという以前の証拠がある。マウント研究は脳を複雑なネットワークとして概念化し、様々な神経学的、精神医学的障害を特徴づけるこのアプローチの有用性を示した。したがって,構造的結合性は認知症分類において有望である。提案したBrainNetGANは、二元認知症分類タスクのための脳構造接続行列を増強する、生成的対向ネットワークである。拡散MRIデータに対するトラクトグラフィーを用いて、分離した脳領域間の構造接続行列を構築した。 BrainNetGANモデルは、実際の脳ネットワークデータの潜伏分布を反映する偽の脳接続行列を生成するように訓練されている。最後に,二元性認知症分類のための畳み込みニューラルネットワーク分類器を提案する。数値計算の結果,BrainNetGANデータセットを用いて,テストセットのバイナリ分類性能が改善された。提案手法では,任意の数の拡張連結行列を素早く合成でき,同様の分類タスクに容易に移行できる。

関連論文リスト

D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。我々は脳の接続性を改善するための識別可能なモジュールを開発した。実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
論文参考訳（メタデータ） (2024-05-28T23:49:52Z)
Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
早期認知症への転換の予測は、その進行を緩和するために重要である。従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。 Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
論文参考訳（メタデータ） (2024-03-20T06:46:01Z)
Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文参考訳（メタデータ） (2023-12-16T04:31:51Z)
Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文参考訳（メタデータ） (2023-05-06T22:14:13Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文参考訳（メタデータ） (2022-03-18T07:05:27Z)
Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification [13.907981019956832]
我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
論文参考訳（メタデータ） (2021-07-27T14:12:39Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。