論文の概要: Deriving Autism Spectrum Disorder Functional Networks from RS-FMRI Data
using Group ICA and Dictionary Learning
- arxiv url: http://arxiv.org/abs/2106.09000v1
- Date: Mon, 7 Jun 2021 07:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:09:52.167391
- Title: Deriving Autism Spectrum Disorder Functional Networks from RS-FMRI Data
using Group ICA and Dictionary Learning
- Title（参考訳）: グループICAと辞書学習を用いたRS-FMRIデータからの自閉症スペクトラム障害機能ネットワークの導出
- Authors: Xin Yang, Ning Zhang, Donglin Wang
- Abstract要約: 我々は、ICA群と辞書学習モデルを用いて、自閉症スペクトラム障害集団のための機能的ネットワークを導出する。
実験では, 静止状態磁気共鳴画像(rs-fMRI)データから, ASD関数ネットワークを導出した。
分類の結果,ICAと辞書学習を併用した関数ネットワークは,単一のICAモデルや単一の辞書学習モデルよりも優れていた。
- 参考スコア（独自算出の注目度）: 17.157219069925542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The objective of this study is to derive functional networks for the autism
spectrum disorder (ASD) population using the group ICA and dictionary learning
model together and to classify ASD and typically developing (TD) participants
using the functional connectivity calculated from the derived functional
networks. In our experiments, the ASD functional networks were derived from
resting-state functional magnetic resonance imaging (rs-fMRI) data. We
downloaded a total of 120 training samples, including 58 ASD and 62 TD
participants, which were obtained from the public repository: Autism Brain
Imaging Data Exchange I (ABIDE I). Our methodology and results have five main
parts. First, we utilize a group ICA model to extract functional networks from
the ASD group and rank the top 20 regions of interest (ROIs). Second, we
utilize a dictionary learning model to extract functional networks from the ASD
group and rank the top 20 ROIs. Third, we merged the 40 selected ROIs from the
two models together as the ASD functional networks. Fourth, we generate three
corresponding masks based on the 20 selected ROIs from group ICA, the 20 ROIs
selected from dictionary learning, and the 40 combined ROIs selected from both.
Finally, we extract ROIs for all training samples using the above three masks,
and the calculated functional connectivity was used as features for ASD and TD
classification. The classification results showed that the functional networks
derived from ICA and dictionary learning together outperform those derived from
a single ICA model or a single dictionary learning model.
- Abstract（参考訳）: 本研究の目的は,グループicaと辞書学習モデルを用いた自閉症スペクトラム障害(asd)集団のための機能的ネットワークの導出と,導出された機能的ネットワークから計算した機能的接続を用いて,asdと典型的(td)参加者を分類することである。
実験では, 静止状態磁気共鳴画像(rs-fMRI)データから, ASD関数ネットワークを導出した。
autism brain imaging data exchange i (abide i) の公開リポジトリから得られた,58名のasdと62名のtd参加者を含む120のトレーニングサンプルをダウンロードした。
私たちの方法論と結果には5つの主要部分があります。
まず、グループICAモデルを用いて、ASDグループから機能的ネットワークを抽出し、上位20の関心領域(ROI)をランク付けする。
次に,辞書学習モデルを用いて,asdグループから機能的ネットワークを抽出し,上位20のroisをランク付けする。
第3に,2モデルから選択した40個のroisをasd機能ネットワークとして統合した。
第4に、ICA群から選択した20ROI、辞書学習から選択した20ROI、および両群から選択した40ROIに基づいて、対応する3つのマスクを生成する。
最後に, 上記3つのマスクを用いたトレーニングサンプルのROIを抽出し, ASDおよびTD分類の特徴として機能接続を算出した。
分類の結果,ICAと辞書学習を併用した関数ネットワークは,単一のICAモデルや単一の辞書学習モデルよりも優れていた。
関連論文リスト
- 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) - 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) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳（メタデータ） (2023-06-01T12:53:10Z) - Nested Named Entity Recognition from Medical Texts: An Adaptive Shared
Network Architecture with Attentive CRF [53.55504611255664]
ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。
提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。
我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
論文 参考訳（メタデータ） (2022-11-09T09:23:56Z) - Brain Network Transformer [13.239896897835191]
脳ネットワーク解析のためのトランスフォーマーモデルについて検討する。
データの特徴によって駆動される私たちは、脳ネットワークを、一定のサイズと順序のノードを持つグラフとしてモデル化します。
我々は、ABIDEの大規模脳ネットワークデータセットとして唯一公開されているものについて、評価パイプラインを再標準化する。
論文 参考訳（メタデータ） (2022-10-13T02:30:06Z) - UTSA NLP at SemEval-2022 Task 4: An Exploration of Simple Ensembles of
Transformers, Convolutional, and Recurrent Neural Networks [12.6970199179668]
この原稿は、UTSA SemEval-2022 Task 4によって開発されたシステムについて記述している。
提案手法では,RoBERTa,畳み込みニューラルネットワーク,双方向長短期記憶ネットワークなど,いくつかのディープラーニングアーキテクチャの利用について検討する。
全体として、いくつかのアンサンブルモデルを実験した結果、5つのRoBERTaモデルの単純な組み合わせは、開発データセットで.6441、最終テストデータセットで.5745のFスコアを達成した。
論文 参考訳（メタデータ） (2022-03-28T17:17:12Z) - 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) - Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。
勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。
実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
論文 参考訳（メタデータ） (2021-03-31T11:47:47Z) - Autism Spectrum Disorder Screening Using Discriminative Brain
Sub-Networks: An Entropic Approach [0.2741266294612775]
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。
論文 参考訳（メタデータ） (2021-03-25T14:00:34Z) - Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。
MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。
ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。
本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
論文 参考訳（メタデータ） (2020-10-24T08:50:26Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳（メタデータ） (2020-02-14T17:28:16Z)
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。