論文の概要: Data-driven mapping between functional connectomes using optimal transport

• arxiv url: http://arxiv.org/abs/2107.01303v1
• Date: Fri, 2 Jul 2021 23:43:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 14:46:09.871933
• Title: Data-driven mapping between functional connectomes using optimal transport
• Title（参考訳）: 最適トランスポートを用いた機能コネクトーム間のデータ駆動マッピング
• Authors: Javid Dadashkarimi and Amin Karbasi and Dustin Scheinost
• Abstract要約: 我々は、追加の事前処理をせずに、異なるアトラス間のコネクトームと導出結果をマッピングする。 我々は、変換されたコネクトームと「金標準」のコンパスを比較することによって、我々のアプローチを検証する。 我々のアプローチはコネクトームに基づく様々なアトラスの一般化を促進するための有望な道である。
• 参考スコア（独自算出の注目度）: 38.31912247090473
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional connectomes derived from functional magnetic resonance imaging have long been used to understand the functional organization of the brain. Nevertheless, a connectome is intrinsically linked to the atlas used to create it. In other words, a connectome generated from one atlas is different in scale and resolution compared to a connectome generated from another atlas. Being able to map connectomes and derived results between different atlases without additional pre-processing is a crucial step in improving interpretation and generalization between studies that use different atlases. Here, we use optimal transport, a powerful mathematical technique, to find an optimum mapping between two atlases. This mapping is then used to transform time series from one atlas to another in order to reconstruct a connectome. We validate our approach by comparing transformed connectomes against their "gold-standard" counterparts (i.e., connectomes generated directly from an atlas) and demonstrate the utility of transformed connectomes by applying these connectomes to predictive models based on a different atlas. We show that these transformed connectomes are significantly similar to their "gold-standard" counterparts and maintain individual differences in brain-behavior associations, demonstrating both the validity of our approach and its utility in downstream analyses. Overall, our approach is a promising avenue to increase the generalization of connectome-based results across different atlases.
• Abstract（参考訳）: 機能的磁気共鳴イメージングに由来する機能的コネクトームは、長い間脳の機能的構造を理解するために用いられてきた。 それにもかかわらず、コネクトームは本質的にアトラスと結びついている。 言い換えれば、あるアトラスから生成されたコネクトームは、別のアトラスから生成されたコネクトームと比べてスケールと解像度が異なる。 コネクトームと導出結果を、追加の事前処理なしで異なるアトラス間でマッピングできることは、異なるアトラスを使用する研究間の解釈と一般化を改善する重要なステップである。 ここでは、2つのアトラス間の最適マッピングを見つけるために、強力な数学的手法である最適輸送を用いる。 このマッピングはコネクトームを再構築するために、あるアトラスから別のアトラスへの時系列変換に使用される。 我々は、変換コネクトームと「金標準」コネクトーム(すなわち、アトラスから直接生成されたコネクトーム)を比較し、これらのコネクトームを異なるアトラスに基づく予測モデルに適用することにより、変換コネクトームの有用性を示す。 これらのトランスフォーメーションコネクトームは,「金標準」コネクトームと著しく類似しており,脳行動関連における個人差を維持しており,本手法の有効性と下流解析における有用性を示している。 全体として、我々のアプローチはコネクトームに基づく様々なアトラスの一般化を促進するための有望な道である。

関連論文リスト

• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• Objectives Matter: Understanding the Impact of Self-Supervised Objectives on Vision Transformer Representations [13.437097059358067]
  本研究では,再建型学習機能と共同埋め込み型学習機能との相違について述べる。 結合埋め込み特性は,異なる目的が異なる情報分布を駆動するため,分類のための線形プローブ転送の精度が向上することがわかった。
  論文  参考訳（メタデータ） (2023-04-25T18:48:23Z)
• 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)
• Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning with Pairwise Alignment [18.338563869053065]
  本研究では、畳み込みニューラルネットワーク(CNN)を用いて、アトラスと静止速度場(SVF)パラメータ化を共同で予測し、微分型画像登録を行う。 提案手法は,他の最先端画像登録アルゴリズムよりも性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-02-07T23:52:21Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• A Universal Model for Cross Modality Mapping by Relational Reasoning [29.081989993636338]
  クロスモダリティマッピングは、コンピュータビジョンコミュニティで注目を集めています。 本稿では,相互関係を効率的に計算するGCNベースのReasoning Network(RR-Net)を提案する。 画像分類,ソーシャルレコメンデーション,および音声認識の3つの例による実験により,提案モデルの優越性と普遍性を明らかにした。
  論文  参考訳（メタデータ） (2021-02-26T08:56:24Z)
• Centralized Information Interaction for Salient Object Detection [68.8587064889475]
  U字型構造は、多スケールの機能を効率的に組み合わせるサリエント物体検出に長けている。 本稿では,これらの接続を集中化することにより,相互に相互に情報交換を行うことができることを示す。 本手法は, ボトムアップ経路とトップダウン経路の接続を置換することにより, 既存のU字型サルエント物体検出手法と協調することができる。
  論文  参考訳（メタデータ） (2020-12-21T12:42:06Z)
• GOCor: Bringing Globally Optimized Correspondence Volumes into Your Neural Network [176.3781969089004]
  特徴相関層は、画像ペア間の密接な対応を含むコンピュータビジョン問題において、重要なニューラルネットワークモジュールとして機能する。 我々は,特徴相関層の直接置換として機能する,完全に微分可能な密マッチングモジュール GOCor を提案する。 本手法は,幾何マッチング,光学フロー,密接なセマンティックマッチングのタスクにおいて,特徴相関層を著しく上回っている。
  論文  参考訳（メタデータ） (2020-09-16T17:33:01Z)
• Geometric Dataset Distances via Optimal Transport [15.153110906331733]
  本稿では, (i) モデルに依存しない, (ii) トレーニングを伴わない, (iii) ラベル集合が完全に不連結であり, (iv) 理論的な足場が固い場合でも, データセットを比較できる,という,データセット間の距離の代替概念を提案する。 この距離は最適な輸送に依存しており、リッチな幾何学的認識、解釈可能な対応およびよく理解された性質を提供する。 以上の結果から,この新たな距離は,データセットの有意義な比較を提供し,様々な実験環境やデータセット間での伝達学習困難度と相関関係があることが示唆された。
  論文  参考訳（メタデータ） (2020-02-07T17:51:26Z)

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。