論文の概要: A Prior Guided Adversarial Representation Learning and Hypergraph
Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2110.09302v1
- Date: Tue, 12 Oct 2021 03:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-24 03:45:35.791475
- Title: A Prior Guided Adversarial Representation Learning and Hypergraph
Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease
- Title（参考訳）: アルツハイマー病の異常接続予測のための先行ガイド付き逆境表現学習とハイパーグラフ知覚ネットワーク
- Authors: Qiankun Zuo, Baiying Lei, Shuqiang Wang, Yong Liu, Bingchuan Wang,
Yanyan Shen
- Abstract要約: アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。
PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
- 参考スコア（独自算出の注目度）: 29.30199956567813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Alzheimer's disease is characterized by alterations of the brain's structural
and functional connectivity during its progressive degenerative processes.
Existing auxiliary diagnostic methods have accomplished the classification
task, but few of them can accurately evaluate the changing characteristics of
brain connectivity. In this work, a prior guided adversarial representation
learning and hypergraph perceptual network (PGARL-HPN) is proposed to predict
abnormal brain connections using triple-modality medical images. Concretely, a
prior distribution from the anatomical knowledge is estimated to guide
multimodal representation learning using an adversarial strategy. Also, the
pairwise collaborative discriminator structure is further utilized to narrow
the difference of representation distribution. Moreover, the hypergraph
perceptual network is developed to effectively fuse the learned representations
while establishing high-order relations within and between multimodal images.
Experimental results demonstrate that the proposed model outperforms other
related methods in analyzing and predicting Alzheimer's disease progression.
More importantly, the identified abnormal connections are partly consistent
with the previous neuroscience discoveries. The proposed model can evaluate
characteristics of abnormal brain connections at different stages of
Alzheimer's disease, which is helpful for cognitive disease study and early
treatment.
- Abstract（参考訳）: アルツハイマー病は、進行変性過程における脳の構造的および機能的接続の変化を特徴とする。
既存の補助的診断手法は分類タスクを完了しているが,脳結合の変化特性を正確に評価できるものは少ない。
本研究は,三重モード医療画像による脳の異常な接続を予測するために,先行ガイド付き対向表現学習とハイパーグラフ知覚ネットワーク(PGARL-HPN)を提案する。
具体的には, 解剖学知識からの事前分布を推定し, 対角戦略を用いたマルチモーダル表現学習を導く。
また、ペアワイズコラボレーティブな識別器構造を利用して、表現分布の差を狭める。
さらに,マルチモーダル画像間の高次関係を確立しつつ,学習表現を効果的に融合するハイパーグラフ知覚ネットワークを開発した。
実験の結果,提案モデルがアルツハイマー病の進行を解析し予測する他の方法よりも優れていることが示された。
さらに重要なことに、特定された異常な接続は、前回の神経科学の発見と部分的に一致している。
提案モデルはアルツハイマー病の異なる段階における異常脳結合の特徴を評価することができ,認知疾患研究や早期治療に有用である。
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) - 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) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - 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) - Differential Diagnosis of Frontotemporal Dementia and Alzheimer's
Disease using Generative Adversarial Network [0.0]
前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。
2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。
医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2021-09-12T22:40:50Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-07-21T08:08:05Z) - 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。