論文の概要: Variational voxelwise rs-fMRI representation learning: Evaluation of
sex, age, and neuropsychiatric signatures
- arxiv url: http://arxiv.org/abs/2108.12756v1
- Date: Sun, 29 Aug 2021 05:27:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-01 04:55:28.162046
- Title: Variational voxelwise rs-fMRI representation learning: Evaluation of
sex, age, and neuropsychiatric signatures
- Title（参考訳）: voxelwise rs-fmri表現学習 : 性,年齢,神経精神症状の評価
- Authors: Eloy Geenjaar, Tonya White, Vince Calhoun
- Abstract要約: 本稿では,Voxelwise rs-fMRIデータに非線形表現学習を適用することを提案する。
非線形表現の学習は変分オートエンコーダ(VAE)を用いて行われる
VAEは、voxelwise rs-fMRIデータに基づいて訓練され、意味のある情報を保持する非線形次元還元を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose to apply non-linear representation learning to voxelwise rs-fMRI
data. Learning the non-linear representations is done using a variational
autoencoder (VAE). The VAE is trained on voxelwise rs-fMRI data and performs
non-linear dimensionality reduction that retains meaningful information. The
retention of information in the model's representations is evaluated using
downstream age regression and sex classification tasks. The results on these
tasks are highly encouraging and a linear regressor trained with the
representations of our unsupervised model performs almost as well as a
supervised neural network, trained specifically for age regression on the same
dataset. The model is also evaluated with a schizophrenia diagnosis prediction
task, to assess its feasibility as a dimensionality reduction method for
neuropsychiatric datasets. These results highlight the potential for
pre-training on a larger set of individuals who do not have mental illness, to
improve the downstream neuropsychiatric task results. The pre-trained model is
fine-tuned for a variable number of epochs on a schizophrenia dataset and we
find that fine-tuning for 1 epoch yields the best results. This work therefore
not only opens up non-linear dimensionality reduction for voxelwise rs-fMRI
data but also shows that pre-training a deep learning model on voxelwise
rs-fMRI datasets greatly increases performance even on smaller datasets. It
also opens up the ability to look at the distribution of rs-fMRI time series in
the latent space of the VAE for heterogeneous neuropsychiatric disorders like
schizophrenia in future work. This can be complemented with the generative
aspect of the model that allows us to reconstruct points from the model's
latent space back into brain space and obtain an improved understanding of the
relation that the VAE learns between subjects, timepoints, and a subject's
characteristics.
- Abstract（参考訳）: 本稿では,Voxelwise rs-fMRIデータに非線形表現学習を適用することを提案する。
非線型表現の学習は変分オートエンコーダ(VAE)を用いて行われる。
VAEは、voxelwise rs-fMRIデータに基づいて訓練され、意味のある情報を保持する非線形次元削減を行う。
モデル表現における情報の保持は、下流年齢回帰および性別分類タスクを用いて評価される。
これらのタスクの結果は非常に奨励され、教師なしモデルの表現で訓練された線形回帰器は、同じデータセット上で特に年齢回帰のために訓練された教師付きニューラルネットワークと同様に、ほぼ同様に機能する。
このモデルは統合失調症の診断予測タスクでも評価され、神経心理学的データセットの次元性低減法としてその実現可能性を評価する。
これらの結果は、精神疾患を持たないより広い集団で事前訓練を行い、下流の神経精神科の作業結果を改善する可能性を浮き彫りにしている。
プレトレーニングされたモデルは、統合失調症データセット上の変動エポック数に対して微調整され、1エポックに対する微調整が最良の結果をもたらす。
したがって、この研究は、voxelwise rs-fMRIデータに対する非線形次元の削減を開放するだけでなく、voxelwise rs-fMRIデータセット上でディープラーニングモデルを事前学習することで、より小さなデータセットでも性能を大幅に向上させることを示す。
また、今後の研究で統合失調症のような異種性神経精神疾患に対して、VAEの潜伏空間におけるrs-fMRI時系列の分布を見ることができる。
これは、モデルが潜在空間から脳空間に戻す点を再構築し、VAEが主題、時間点、および被写体の特徴を学習する関係をより良く理解することを可能にするモデルの生成的側面と補完することができる。
関連論文リスト
- A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Efficiently Training Vision Transformers on Structural MRI Scans for
Alzheimer's Disease Detection [2.359557447960552]
ビジョントランスフォーマー(ViT)は近年、コンピュータビジョンアプリケーションのためのCNNの代替として登場した。
難易度に基づいて,脳神経画像の下流タスクに対するViTアーキテクチャの変種を検証した。
合成および実MRIスキャンで事前訓練した微調整型視覚変換器モデルを用いて、5%と9-10%の性能向上を実現した。
論文 参考訳（メタデータ） (2023-03-14T20:18:12Z) - Self-Supervised Mental Disorder Classifiers via Time Reversal [0.0]
機能的ニューロイメージングデータの時間方向で訓練されたモデルが、下流のタスクに役立つことを実証した。
我々は、独立成分分析(ICA)技術を用いて、fMRIデータから派生した独立成分のディープニューラルネットワークを訓練する。
学習時間方向はfMRIデータにおける因果関係の学習に役立ち、より高速な収束に役立つことを示す。
論文 参考訳（メタデータ） (2022-11-29T17:24:43Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - Evaluating deep transfer learning for whole-brain cognitive decoding [11.898286908882561]
転送学習(TL)は、少数のサンプルを持つデータセットにおける深層学習(DL)モデルの性能向上に適している。
本稿では,全脳機能型磁気共鳴画像(fMRI)データから認識状態の復号化にDLモデルを適用するためのTLを評価した。
論文 参考訳（メタデータ） (2021-11-01T15:44:49Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。