Fugu-MT 論文翻訳(概要): Autism Spectrum Disorder Screening Using Discriminative Brain Sub-Networks: An Entropic Approach

論文の概要: Autism Spectrum Disorder Screening Using Discriminative Brain Sub-Networks: An Entropic Approach

arxiv url: http://arxiv.org/abs/2103.13850v1
Date: Thu, 25 Mar 2021 14:00:34 GMT
ステータス: 処理完了
システム内更新日: 2021-03-26 18:58:50.196406
Title: Autism Spectrum Disorder Screening Using Discriminative Brain Sub-Networks: An Entropic Approach
Title（参考訳）: 識別的脳サブネットワークを用いた自閉症スペクトラム障害スクリーニング : エントロピーアプローチ
Authors: Mohammad Amin, Farshad Safaei
Abstract要約: 自閉症は、人の社会的相互作用の問題につながる最も重要な神経学的障害の1つです。遺伝的アルゴリズムを用いて,2つのグループ間の差異をよりよく表現する識別サブネットワークを抽出した。 uclaデータセットの構造ネットワークにおける最大精度は73.1%、uclaデータセットの機能ネットワークでは82.2%、abideデータセットでは66.1%であった。
参考スコア（独自算出の注目度）: 0.2741266294612775
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Autism is one of the most important neurological disorders which leads to problems in a person's social interactions. Improvement of brain imaging technologies and techniques help us to build brain structural and functional networks. Finding networks topology pattern in each of the groups (autism and healthy control) can aid us to achieve an autism disorder screening model. In the present study, we have utilized the genetic algorithm to extract a discriminative sub-network that represents differences between two groups better. In the fitness evaluation phase, for each sub-network, a machine learning model was trained using various entropy features of the sub-network and its performance was measured. Proper model performance implies extracting a good discriminative sub-network. Network entropies can be used as network topological descriptors. The evaluation results indicate the acceptable performance of the proposed screening method based on extracted discriminative sub-networks and the machine learning models succeeded in obtaining a maximum accuracy of 73.1% in structural networks of the UCLA dataset, 82.2% in functional networks of the UCLA dataset, and 66.1% in functional networks of ABIDE datasets.
Abstract（参考訳）: 自閉症は、人の社会的相互作用に問題を引き起こす最も重要な神経障害の1つである。脳のイメージング技術と技術の改善は、脳の構造的および機能的ネットワークの構築に役立つ。各グループ(自閉症と健康管理)におけるネットワークトポロジーパターンの発見は、自閉症障害スクリーニングモデルの実現に役立つ。本研究では,遺伝的アルゴリズムを用いて2つのグループ間の差異をよりよく表現する識別サブネットワークを抽出した。適合度評価フェーズでは、サブネットワーク毎に、サブネットワークの様々なエントロピー特性を用いて機械学習モデルを訓練し、その性能を測定した。優れたモデル性能は、優れた識別サブネットワークの抽出を意味する。ネットワークエントロピーはネットワークトポロジカル記述子として使用できる。評価結果は,抽出した識別サブネットワークに基づくスクリーニング手法の許容性能と,UCLAデータセットの構造ネットワークの最大精度73.1%,UCLAデータセットの関数ネットワークの82.2%,ABIDEデータセットの関数ネットワークの66.1%を達成できた機械学習モデルを示す。

関連論文リスト

Identifying Sub-networks in Neural Networks via Functionally Similar Representations [41.028797971427124]
我々は、異なるサブネットワークの存在を調査し、ネットワークの理解を自動化するための一歩を踏み出した。我々のアプローチは、人間と計算コストを最小限に抑えたニューラルネットワークの振る舞いに関する有意義な洞察を提供する。
論文参考訳（メタデータ） (2024-10-21T20:19:00Z)
Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks [8.703026708558157]
分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
論文参考訳（メタデータ） (2024-08-25T13:15:55Z)
Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文参考訳（メタデータ） (2023-06-15T16:22:57Z)
Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文参考訳（メタデータ） (2022-09-22T04:17:57Z)
Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
論文参考訳（メタデータ） (2022-07-04T17:01:18Z)
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)
Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文参考訳（メタデータ） (2021-12-15T09:50:25Z)
Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文参考訳（メタデータ） (2021-09-19T14:22:55Z)
Learning distinct features helps, provably [98.78384185493624]
最小二乗損失で訓練された2層ニューラルネットワークによって学習された特徴の多様性について検討する。隠蔽層の特徴間の平均的な$L$-distanceで多様性を測定する。
論文参考訳（メタデータ） (2021-06-10T19:14:45Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)
Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation [1.2891210250935146]
代表的で差別的な脳ネットワークアトラス(BNA)を推定することは、初期の研究分野である。 BNA満足度を推定するための教師付きマルチトポロジーネットワーククロスディフュージョンフレームワークを提案する。我々のSM-netFusionは、その変種や最先端手法と比較して最も中心的で代表的なテンプレートを生成する。
論文参考訳（メタデータ） (2020-09-23T11:17:41Z)

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。