論文の概要: Elastic Shape Analysis of Brain Structures for Predictive Modeling of PTSD

• arxiv url: http://arxiv.org/abs/2105.11547v1
• Date: Mon, 24 May 2021 21:33:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-26 13:53:16.420978
• Title: Elastic Shape Analysis of Brain Structures for Predictive Modeling of PTSD
• Title（参考訳）: PTSDの予測モデリングのための脳構造の弾性形状解析
• Authors: Yuexuan Wu, Suprateek Kundu, Jennifer S. Stevens, Negar Fani, Anuj Srivastava
• Abstract要約: 本稿では,脳のサブ構造を連続パラメータ化表面として表現することで,制約を克服する包括的枠組みを提案する。 弾性形状測定値を用いて皮質下データの形状要約を計算し,個々の形状を主スコアで表現する。 そこで我々は,脳のサブストラクチャ形状を用いてPTSDの臨床的指標を予測することを目的として,Grady Trauma Projectのデータに本手法を適用した。
• 参考スコア（独自算出の注目度）: 9.922132565411664
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: There is increasing evidence on the importance of brain morphology in predicting and classifying mental disorders. However, the vast majority of current shape approaches rely heavily on vertex-wise analysis that may not successfully capture complexities of subcortical structures. Additionally, the past works do not include interactions between these structures and exposure factors. Predictive modeling with such interactions is of paramount interest in heterogeneous mental disorders such as PTSD, where trauma exposure interacts with brain shape changes to influence behavior. We propose a comprehensive framework that overcomes these limitations by representing brain substructures as continuous parameterized surfaces and quantifying their shape differences using elastic shape metrics. Using the elastic shape metric, we compute shape summaries of subcortical data and represent individual shapes by their principal scores. These representations allow visualization tools that help localize changes when these PCs are varied. Subsequently, these PCs, the auxiliary exposure variables, and their interactions are used for regression modeling. We apply our method to data from the Grady Trauma Project, where the goal is to predict clinical measures of PTSD using shapes of brain substructures. Our analysis revealed considerably greater predictive power under the elastic shape analysis than widely used approaches such as vertex-wise shape analysis and even volumetric analysis. It helped identify local deformations in brain shapes related to change in PTSD severity. To our knowledge, this is one of the first brain shape analysis approaches that can seamlessly integrate the pre-processing steps under one umbrella for improved accuracy and are naturally able to account for interactions between brain shape and additional covariates to yield superior predictive performance when modeling clinical outcomes.
• Abstract（参考訳）: 精神疾患の予測と分類における脳形態学の重要性に関する証拠が増えている。 しかし、現在の形状アプローチの大半は、皮質下構造の複雑さをうまく捉えられない頂点解析に大きく依存している。 さらに、過去の研究にはこれらの構造と露出要因の間の相互作用は含まれていない。 このような相互作用による予測モデリングはPTSDのような異種性精神疾患に最も関心があり、外傷暴露は脳の形状と相互作用し行動に影響を与える。 本稿では,脳の部分構造を連続的パラメータ化曲面として表現し,弾性形状メトリクスを用いて形状差を定量化することにより,これらの制約を克服する包括的枠組みを提案する。 弾性形状測定値を用いて皮質下データの形状要約を計算し,個々の形状を主スコアで表現する。 これらの表現は、これらのPCが変化するときの変化をローカライズする視覚化ツールを可能にする。 その後、これらのPC、補助露光変数、およびそれらの相互作用は回帰モデリングに使用される。 本手法は,脳部分構造の形状を用いてptsdの臨床測定値を予測することを目的として,grady trauma projectのデータに適用する。 解析の結果, 弾性形状解析における予測力は, 頂点ワイド形状解析や体積解析など, 広く用いられている手法よりも有意に大きかった。 ptsdの重症度の変化に関連する脳の形状の局所的な変形を特定するのに役立った。 私たちの知る限りでは、これは1つの傘の下で前処理ステップをシームレスに統合して精度を高め、自然に脳の形状と余変量との相互作用を考慮し、臨床結果のモデル化において優れた予測性能が得られる最初の脳形状分析アプローチの1つです。

関連論文リスト

• Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
  潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。 まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。 次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。 第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:33Z)
• 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)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Statistical Shape Modeling of Biventricular Anatomy with Shared Boundaries [16.287876512923084]
  本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。 心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-06T15:54:37Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
  脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。 次に,大規模構造スキャンから空間整合機能画像を合成する。 時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
  論文  参考訳（メタデータ） (2021-04-10T03:16:33Z)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)
• 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)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。