論文の概要: Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis
- arxiv url: http://arxiv.org/abs/2107.09953v1
- Date: Wed, 21 Jul 2021 09:02:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:13:58.803842
- Title: Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis
- Title（参考訳）: アルツハイマー病解析のためのハイパーグラフganによる脳ネットワークのマルチモーダル接続の解析
- Authors: Junren Pan, Baiying Lei, Yanyan Shen, Yong Liu, Zhiguang Feng,
Shuqiang Wang
- Abstract要約: 脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
- 参考スコア（独自算出の注目度）: 30.99183477161096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using multimodal neuroimaging data to characterize brain network is currently
an advanced technique for Alzheimer's disease(AD) Analysis. Over recent years
the neuroimaging community has made tremendous progress in the study of
resting-state functional magnetic resonance imaging (rs-fMRI) derived from
blood-oxygen-level-dependent (BOLD) signals and Diffusion Tensor Imaging (DTI)
derived from white matter fiber tractography. However, Due to the heterogeneity
and complexity between BOLD signals and fiber tractography, Most existing
multimodal data fusion algorithms can not sufficiently take advantage of the
complementary information between rs-fMRI and DTI. To overcome this problem, a
novel Hypergraph Generative Adversarial Networks(HGGAN) is proposed in this
paper, which utilizes Interactive Hyperedge Neurons module (IHEN) and Optimal
Hypergraph Homomorphism algorithm(OHGH) to generate multimodal connectivity of
Brain Network from rs-fMRI combination with DTI. To evaluate the performance of
this model, We use publicly available data from the ADNI database to
demonstrate that the proposed model not only can identify discriminative brain
regions of AD but also can effectively improve classification performance.
- Abstract（参考訳）: マルチモーダルニューロイメージングデータを使用して脳ネットワークを特徴付けることは、現在アルツハイマー病(ad)分析のための高度な技術である。
近年では、血液酸素レベル依存性(BOLD)シグナルと白質繊維トラクトグラフィー由来の拡散テンソルイメージング(DTI)から得られる静止状態機能型磁気共鳴画像(rs-fMRI)の研究が著しく進展している。
しかし、BOLD信号とファイバートラクトグラフィーの不均一性と複雑さのため、既存のマルチモーダルデータ融合アルゴリズムは、rs-fMRIとDTIの相補的な情報を十分に活用できない。
この問題を解決するために,対話型ハイパーエッジニューロンモジュール(IHEN)と最適ハイパーグラフホモモルフィズムアルゴリズム(OHGH)を用いて,rs-fMRIとDTIを組み合わせることで,Brain Networkのマルチモーダル接続を生成する新しいHypergraph Generative Adversarial Networks(HGGAN)を提案する。
このモデルの性能を評価するために,adniデータベースから公開されているデータを用いて,adの識別的脳領域を識別できるだけでなく,分類性能を効果的に向上できることを示す。
関連論文リスト
- CATD: Unified Representation Learning for EEG-to-fMRI Cross-Modal Generation [6.682531937245544]
本稿では,ニューロイメージングの終端から終端までのクロスモーダル合成のための条件付き時間拡散(CATD)フレームワークを提案する。
提案フレームワークは、ニューロイメージングのクロスモーダル合成のための新しいパラダイムを確立する。
パーキンソン病の予測を改善し、異常な脳領域を同定するといった医療応用の可能性を示している。
論文 参考訳（メタデータ） (2024-07-16T11:31:38Z) - Alzheimer's Disease Prediction via Brain Structural-Functional Deep
Fusing Network [5.945843237682432]
機能的および構造的情報を融合するために, クロスモーダルトランスフォーマー生成対向ネットワーク (CT-GAN) を提案する。
生成した接続特性を解析することにより,AD関連脳の接続を同定することができる。
パブリックADNIデータセットの評価から,提案したCT-GANは予測性能を劇的に向上し,AD関連脳領域を効果的に検出できることが示された。
論文 参考訳（メタデータ） (2023-09-28T07:06:42Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳（メタデータ） (2023-09-28T06:55:50Z) - Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's
Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。
本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。
次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T02:04:05Z) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-16T05:22:25Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - 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 Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - 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。