論文の概要: A Matrix Autoencoder Framework to Align the Functional and Structural
Connectivity Manifolds as Guided by Behavioral Phenotypes
- arxiv url: http://arxiv.org/abs/2105.14409v1
- Date: Sun, 30 May 2021 02:06:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-03 12:49:02.581874
- Title: A Matrix Autoencoder Framework to Align the Functional and Structural
Connectivity Manifolds as Guided by Behavioral Phenotypes
- Title(参考訳): 機能的および構造的結合マニフォールドを行動現象型で案内する行列オートエンコーダフレームワーク
- Authors: Niharika Shimona D'Souza, Mary Beth Nebel, Deana Crocetti, Nicholas
Wymbs, Joshua Robinson, Stewart Mostofsky, Archana Venkataraman
- Abstract要約: 静止状態fMRI(rs-fMRI)から拡散イメージング(DTI)の構造コネクトームにマップする新しいマトリックスオートエンコーダを提案する。
我々は、Human Connectome Projectデータベースから275名の健常者のデータセットと、自閉症スペクトラム障害57名からなる第2の臨床データセットを検証した。
- 参考スコア(独自算出の注目度): 10.444460609337106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel matrix autoencoder to map functional connectomes from
resting state fMRI (rs-fMRI) to structural connectomes from Diffusion Tensor
Imaging (DTI), as guided by subject-level phenotypic measures. Our specialized
autoencoder infers a low dimensional manifold embedding for the rs-fMRI
correlation matrices that mimics a canonical outer-product decomposition. The
embedding is simultaneously used to reconstruct DTI tractography matrices via a
second manifold alignment decoder and to predict inter-subject phenotypic
variability via an artificial neural network. We validate our framework on a
dataset of 275 healthy individuals from the Human Connectome Project database
and on a second clinical dataset consisting of 57 subjects with Autism Spectrum
Disorder. We demonstrate that the model reliably recovers structural
connectivity patterns across individuals, while robustly extracting predictive
and interpretable brain biomarkers in a cross-validated setting. Finally, our
framework outperforms several baselines at predicting behavioral phenotypes in
both real-world datasets.
- Abstract(参考訳): 本研究では,静止状態fMRI (rs-fMRI) から拡散テンソルイメージング (DTI) の構造的コネクトームへ写像する新しい行列オートエンコーダを提案する。
我々の特殊オートエンコーダは、標準外積分解を模倣したrs-fMRI相関行列に対して低次元多様体を埋め込む。
埋め込みは、第2の多様体アライメントデコーダを介してDTIトラクトグラフィ行列を再構成し、人工ニューラルネットワークを介してオブジェクト間の表現型変動を予測するために同時に使用される。
本研究では,ヒトコネクトームプロジェクトデータベースから275名の健常者のデータセットと,自閉症スペクトラム障害患者57名からなる第2の臨床データセットを検証した。
本モデルでは, 個体間の構造的接続パターンを確実に復元すると同時に, 予測的, 解釈可能な脳バイオマーカーを相互に有意に抽出する。
最後に、実世界の両方のデータセットにおける行動表現型を予測する上で、我々のフレームワークはいくつかのベースラインを上回っている。
関連論文リスト
- SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Unified Embeddings of Structural and Functional Connectome via a
Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。
これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
論文 参考訳(メタデータ) (2022-07-05T21:39:13Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning
to Integrate Multimodal and Dynamic Functional Connectomics data for
Multidimensional Clinical Characterizations [7.973810752596346]
静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。
本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。
我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
論文 参考訳(メタデータ) (2020-08-27T23:43:56Z) - A Joint Network Optimization Framework to Predict Clinical Severity from
Resting State Functional MRI Data [5.774786149181392]
静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。
フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
論文 参考訳(メタデータ) (2020-08-27T23:43:25Z) - A Deep-Generative Hybrid Model to Integrate Multimodal and Dynamic
Connectivity for Predicting Spectrum-Level Deficits in Autism [7.593051703048267]
我々のフレームワークの生成部分は、構造的に規則化された動的辞書学習(sr-DDL)モデルである。
本フレームワークの深部はLSTM-ANNブロックであり,Sr-DDL負荷の経時的変化をモデル化し,多次元的臨床的重症度を予測する。
自閉症スペクトラム障害(ASD)と診断された57例のマルチスコア予測課題における枠組みの検証を行った。
論文 参考訳(メタデータ) (2020-07-03T20:18:09Z)
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。