論文の概要: MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules

• arxiv url: http://arxiv.org/abs/2201.00404v1
• Date: Mon, 27 Dec 2021 07:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-09 12:57:33.616401
• Title: MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules
• Title（参考訳）: MHATC:マルチヘッドアテンションエンコーダと時間的統合モジュールを用いた自閉症スペクトラム障害の同定
• Authors: Ranjeet Ranjan Jha, Abhishek Bhardwaj, Devin Garg, Arnav Bhavsar, Aditya Nigam
• Abstract要約: 静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
• 参考スコア（独自算出の注目度）: 11.344829880346353
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Resting-state fMRI is commonly used for diagnosing Autism Spectrum Disorder (ASD) by using network-based functional connectivity. It has been shown that ASD is associated with brain regions and their inter-connections. However, discriminating based on connectivity patterns among imaging data of the control population and that of ASD patients' brains is a non-trivial task. In order to tackle said classification task, we propose a novel deep learning architecture (MHATC) consisting of multi-head attention and temporal consolidation modules for classifying an individual as a patient of ASD. The devised architecture results from an in-depth analysis of the limitations of current deep neural network solutions for similar applications. Our approach is not only robust but computationally efficient, which can allow its adoption in a variety of other research and clinical settings.
• Abstract（参考訳）: 静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASDは脳の領域とその相互結合に関連があることが示されている。 しかし、コントロール集団の画像データとALD患者の脳のイメージデータ間の接続パターンに基づく識別は、簡単な作業ではない。 本稿では,この分類課題に取り組むために,ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。 考案されたアーキテクチャは、類似のアプリケーションに対する現在のディープニューラルネットワークソリューションの制限を深く分析した結果である。 私たちのアプローチは堅牢なだけでなく、計算効率も高く、他の様々な研究や臨床で採用することが可能です。

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)
• 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)
• 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)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識技術の最近の応用は、時間とともに脳コネクティビティの認知ダイナミクスにシフトしつつある。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• 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)
• MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network Architecture for Medical Image Analysis [71.2022403915147]
  医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。 我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
  論文  参考訳（メタデータ） (2021-10-12T15:05:15Z)
• Input Agnostic Deep Learning for Alzheimer's Disease Classification Using Multimodal MRI Images [1.4848525762485871]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害や機能障害を引き起こす進行性脳疾患である。 本研究では,通常の認知,軽度認知障害,ADクラスを分類するために,マルチモーダル・ディープ・ラーニング・アプローチを用いる。
  論文  参考訳（メタデータ） (2021-07-19T08:19:34Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [7.973810752596346]
  静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。 本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。 我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:56Z)
• 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
  ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
  論文  参考訳（メタデータ） (2020-04-21T17:19:06Z)
• Explainable and Scalable Machine-Learning Algorithms for Detection of Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
  提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。 我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
  論文  参考訳（メタデータ） (2020-03-02T18:20:44Z)

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。