論文の概要: Longitudinal Correlation Analysis for Decoding Multi-Modal Brain
Development
- arxiv url: http://arxiv.org/abs/2107.04724v1
- Date: Sat, 10 Jul 2021 00:07:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 15:55:07.994789
- Title: Longitudinal Correlation Analysis for Decoding Multi-Modal Brain
Development
- Title（参考訳）: マルチモーダル脳のデコードにおける経時的相関解析
- Authors: Qingyu Zhao, Ehsan Adeli, Kilian M. Pohl
- Abstract要約: 縦相関解析(LCA)という解析手法を提案する。
LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。
若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
- 参考スコア（独自算出の注目度）: 17.970347089803596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Starting from childhood, the human brain restructures and rewires throughout
life. Characterizing such complex brain development requires effective analysis
of longitudinal and multi-modal neuroimaging data. Here, we propose such an
analysis approach named Longitudinal Correlation Analysis (LCA). LCA couples
the data of two modalities by first reducing the input from each modality to a
latent representation based on autoencoders. A self-supervised strategy then
relates the two latent spaces by jointly disentangling two directions, one in
each space, such that the longitudinal changes in latent representations along
those directions are maximally correlated between modalities. We applied LCA to
analyze the longitudinal T1-weighted and diffusion-weighted MRIs of 679 youths
from the National Consortium on Alcohol and Neurodevelopment in Adolescence.
Unlike existing approaches that focus on either cross-sectional or single-modal
modeling, LCA successfully unraveled coupled macrostructural and
microstructural brain development from morphological and diffusivity features
extracted from the data. A retesting of LCA on raw 3D image volumes of those
subjects successfully replicated the findings from the feature-based analysis.
Lastly, the developmental effects revealed by LCA were inline with the current
understanding of maturational patterns of the adolescent brain.
- Abstract（参考訳）: 幼少期から、人間の脳は生涯にわたって構造を再構築し、リワイヤリングする。
このような複雑な脳の発達を特徴付けるには、縦型およびマルチモーダルの神経画像データの効果的な分析が必要である。
本稿では,縦相関解析 (LCA) と呼ばれる解析手法を提案する。
LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。
自己教師付き戦略は、各空間内の2つの方向を互いに分離し、それらの方向に沿った潜在表現の縦方向の変化がモダリティ間で最大に相関するようにすることで、2つの潜在空間を関連付ける。
若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
横断的あるいは単一モーダルモデリングに焦点を当てた既存のアプローチとは異なり、lcaはデータから抽出された形態的および拡散的特徴から、マクロ構造およびミクロ構造的脳の発達を解き放つことに成功した。
対象者の生の3次元画像量に対するLCAの再検査は,特徴に基づく解析の結果を再現することに成功した。
最後に、LCAが明らかにした発達効果は、青年期の脳の成熟パターンの現在の理解と一致した。
関連論文リスト
- 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) - LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。
提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
論文 参考訳（メタデータ） (2024-05-17T10:53:40Z) - SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。
人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。
以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
論文 参考訳（メタデータ） (2024-02-22T20:47:40Z) - Cas-DiffCom: Cascaded diffusion model for infant longitudinal
super-resolution 3D medical image completion [47.83003164569194]
超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。
Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
論文 参考訳（メタデータ） (2024-02-21T12:54:40Z) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳（メタデータ） (2023-03-26T14:14:58Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
縦横埋め込みという表現学習のための自己指導型戦略を提案する。
コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。
2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
論文 参考訳（メタデータ） (2021-03-05T17:55:53Z) - Co-evolution of Functional Brain Network at Multiple Scales during Early
Infancy [52.4179778122852]
乳児の2歳から2歳までの縦断的安静時機能的磁気共鳴画像データセットを応用した。
収集した縦断的幼児データセットに提案手法の枠組みを適用して,脳機能ネットワークが異なるスケールで共進化していることを示す最初の証拠を提示した。
論文 参考訳（メタデータ） (2020-09-15T07:21:04Z) - Longitudinal Self-Supervised Learning [13.094393751939837]
グラウンド・トゥルース・ラベルは神経科学においてしばしば欠落しているか高価である。
本稿では,MRIと潜在画像表現の関連因子間の多変量写像を定式化することにより,歪みの新たな定義を提案する。
我々は、画像表現から脳年齢を乱すコサインロスを伴う標準的な自動符号化構造を用いて、LSSL(Longitudinal Self-Supervised Learning)というモデルを実装した。
論文 参考訳（メタデータ） (2020-06-12T03:35:17Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。