論文の概要: Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics
of Functional Connectivity
- arxiv url: http://arxiv.org/abs/2109.03115v1
- Date: Tue, 7 Sep 2021 14:23:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-08 18:30:41.277966
- Title: Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics
of Functional Connectivity
- Title（参考訳）: 機能接続の長距離時空間ダイナミクスを用いた表現型予測の改善
- Authors: Simon Dahan, Logan Z. J. Williams, Daniel Rueckert, Emma C. Robinson
- Abstract要約: 空間と時間にまたがる機能的脳結合をモデル化するためのアプローチを提案する。
我々は、性別分類とインテリジェンス予測にヒューマン・コネクトーム・プロジェクト(Human Connectome Project)データセットを使用する。
その結果、性別の予測精度は94.4%、流体インテリジェンス(0.325対0.144)との相関は、空間と時間を別々に符号化するベースラインモデルと比較して改善された。
- 参考スコア（独自算出の注目度）: 9.015698823470899
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The study of functional brain connectivity (FC) is important for
understanding the underlying mechanisms of many psychiatric disorders. Many
recent analyses adopt graph convolutional networks, to study non-linear
interactions between functionally-correlated states. However, although patterns
of brain activation are known to be hierarchically organised in both space and
time, many methods have failed to extract powerful spatio-temporal features. To
overcome those challenges, and improve understanding of long-range functional
dynamics, we translate an approach, from the domain of skeleton-based action
recognition, designed to model interactions across space and time. We evaluate
this approach using the Human Connectome Project (HCP) dataset on sex
classification and fluid intelligence prediction. To account for subject
topographic variability of functional organisation, we modelled functional
connectomes using multi-resolution dual-regressed (subject-specific) ICA nodes.
Results show a prediction accuracy of 94.4% for sex classification (an increase
of 6.2% compared to other methods), and an improvement of correlation with
fluid intelligence of 0.325 vs 0.144, relative to a baseline model that encodes
space and time separately. Results suggest that explicit encoding of
spatio-temporal dynamics of brain functional activity may improve the precision
with which behavioural and cognitive phenotypes may be predicted in the future.
- Abstract（参考訳）: 機能的脳接続(FC)の研究は、多くの精神疾患の基礎となるメカニズムを理解する上で重要である。
近年の多くの解析では、機能的相関状態間の非線形相互作用を研究するためにグラフ畳み込みネットワークが採用されている。
しかし、脳の活性化パターンは空間と時間の両方で階層的に組織化されていることが知られているが、多くの手法は強力な時空間的特徴を抽出できなかった。
これらの課題を克服し、長距離機能ダイナミクスの理解を深めるために、我々は、空間と時間間の相互作用をモデル化するスケルトンベースの行動認識の領域からアプローチを翻訳する。
このアプローチをhcp(human connectome project)データセットを用いて評価し,性分類と流体知能予測について検討した。
機能組織の主題地形変動を考慮し,マルチレゾリューション型(サブジェクト固有)icaノードを用いた機能コネクトームをモデル化した。
その結果、性別分類の予測精度は94.4%(他の方法と比較して6.2%増)であり、空間と時間を別々に符号化するベースラインモデルと比較して、流体知能との相関が0.325対0.144で向上した。
その結果,脳機能活動の時空間的ダイナミックスを明示的に符号化することで,行動や認知の表現型を予測する精度が向上する可能性が示唆された。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - 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) - DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。
これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。
本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-19T23:35:06Z) - TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential
Modelling [54.97005925277638]
潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。
SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。
そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
論文 参考訳（メタデータ） (2023-08-25T08:54:41Z) - Brain Cortical Functional Gradients Predict Cortical Folding Patterns
via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。
実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-05-21T14:08:53Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-27T23:06:50Z) - Weighted Ensemble-model and Network Analysis: A method to predict fluid
intelligence via naturalistic functional connectivity [2.66512000865131]
重み付きアンサンブルモデルとネットワーク解析という新しい手法を提案する。
機械学習とグラフ理論を組み合わせて、流体知能の予測を改善する。
提案手法は平均絶対偏差 3.85,相関係数 0.66,r-二乗係数 0.42 で最適性能を得た。
論文 参考訳（メタデータ） (2021-01-06T11:17:49Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-25T02:15:24Z) - Efficient Inference of Flexible Interaction in Spiking-neuron Networks [41.83710212492543]
非線形ホークス法を用いて、ニューロン間の興奮的または抑制的な相互作用をモデル化する。
提案アルゴリズムは, 相互作用の時間的ダイナミクスを推定し, ニューラルスパイク列の根底にある機能的接続を明らかにする。
論文 参考訳（メタデータ） (2020-06-23T09:10:30Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。