Fugu-MT 論文翻訳(概要): Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning

論文の概要: Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning

arxiv url: http://arxiv.org/abs/2109.09129v1
Date: Sun, 19 Sep 2021 14:22:55 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:11:13.196457
Title: Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning
Title（参考訳）: 個人認識型ダウンサンプリングとマルチモーダル学習に基づく自閉症スペクトラム障害の同定
Authors: Li Pan, Jundong Liu, Mingqin Shi, Chi Wah Wong, Kei Hang Katie Chan
Abstract要約: 本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
参考スコア（独自算出の注目度）: 4.310840361752551
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autism Spectrum Disorder(ASD) is a set of neurodevelopmental conditions that affect patients' social abilities. In recent years, deep learning methods have been employed to detect ASD through functional MRI (fMRI). However, existing approaches solely concentrated on the abnormal brain functional connections but ignored the importance of regional activities. Due to this biased prior knowledge, previous diagnosis models suffered from inter-site heterogeneity and inter-individual phenotypical differences. To address this issue, we propose a novel feature extraction method for fMRI that can learn a personalized lowe-resolution representation of the entire brain networking regarding both the functional connections and regional activities. First, we abstract the brain imaging as a graph structure, where nodes represent brain areas and edges denote functional connections, and downsample it to a sparse network by hierarchical graph pooling. Subsequently, by assigning each subject with the extracted features and building edges through inter-individual non-imaging characteristics, we build a population graph. The non-identically distributed node features are further recalibrated to node embeddings learned by graph convolutional networks. By these means, our framework can extract features directly and efficiently from the entire fMRI and be aware of implicit inter-individual differences. We have evaluated our framework on the ABIDE-I dataset with 10-fold cross-validation. The present model has achieved a mean classification accuracy of 85.95\% and a mean AUC of 0.92, which is better than the state-of-the-art methods.
Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、患者の社会的能力に影響を与える神経発達状態のセットである。近年,機能的MRI(fMRI)を用いた深層学習法が採用されている。しかし、既存のアプローチは異常な脳機能結合のみに集中しているが、地域活動の重要性を無視している。このような事前知識の偏りから、従来の診断モデルは、部位間不均一性と個人間表現型差に悩まされていた。そこで本研究では,機能的接続と局所活動の両方に関して,脳ネットワーク全体のパーソナライズされた低解像度表現を学習できるfMRIの特徴抽出手法を提案する。まず、我々は脳画像をグラフ構造として抽象化し、ノードは脳の領域を表し、エッジは機能的な接続を表し、階層的なグラフプーリングによってスパースネットワークに分解する。次に、各対象に抽出された特徴とビルディングエッジを割り当てることにより、個体群グラフを構築する。非同一分散ノード機能は、グラフ畳み込みネットワークによって学習されたノード埋め込みにさらに再分類される。これらの方法により,本フレームワークはfMRI全体から直接的かつ効率的に特徴を抽出し,暗黙の個人間差を認識できる。 ABIDE-Iデータセットのフレームワークを10倍のクロスバリデーションで評価した。本モデルでは,平均分類精度85.95\%,平均AUC0.92を達成している。

関連論文リスト

Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
論文参考訳（メタデータ） (2024-09-22T01:23:46Z)
Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文参考訳（メタデータ） (2023-11-13T14:36:29Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Preserving Specificity in Federated Graph Learning for fMRI-based Neurological Disorder Identification [31.668499876984487]
rs-fMRI解析と自動脳障害識別のための特異性を考慮したグラフ学習フレームワークを提案する。各クライアントにおいて、我々のモデルは共有ブランチとパーソナライズされたブランチで構成されており、そこでは共有ブランチのパラメータがサーバに送信され、パーソナライズされたブランチのパラメータはローカルのままです。被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2023-08-20T15:55:45Z)
Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文参考訳（メタデータ） (2023-06-15T16:22:57Z)
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)
BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文参考訳（メタデータ） (2022-08-05T07:54:10Z)
Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文参考訳（メタデータ） (2022-05-06T03:45:36Z)
Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文参考訳（メタデータ） (2022-04-21T08:23:44Z)
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)
Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。 ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文参考訳（メタデータ） (2020-02-14T17:28:16Z)

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。