論文の概要: Deep Learning the Shape of the Brain Connectome
- arxiv url: http://arxiv.org/abs/2203.06122v1
- Date: Sun, 6 Mar 2022 17:51:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-20 23:09:31.769603
- Title: Deep Learning the Shape of the Brain Connectome
- Title(参考訳): 脳のコネクトームの形を深く学習する
- Authors: Haocheng Dai, Martin Bauer, P. Thomas Fletcher, Sarang C. Joshi
- Abstract要約: 私たちは、ディープニューラルネットワークを使って脳の測地線を推定する方法を初めて示します。
提案手法は, 測地・白色・マター・パスのアライメントにおいて優れた性能を発揮する。
- 参考スコア(独自算出の注目度): 6.165163123577484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To statistically study the variability and differences between normal and
abnormal brain connectomes, a mathematical model of the neural connections is
required. In this paper, we represent the brain connectome as a Riemannian
manifold, which allows us to model neural connections as geodesics. We show for
the first time how one can leverage deep neural networks to estimate a
Riemannian metric of the brain that can accommodate fiber crossings and is a
natural modeling tool to infer the shape of the brain from DWMRI. Our method
achieves excellent performance in geodesic-white-matter-pathway alignment and
tackles the long-standing issue in previous methods: the inability to recover
the crossing fibers with high fidelity.
- Abstract(参考訳): 正常脳コネクトームと異常脳コネクトームの変動性と差異を統計的に研究するには、神経結合の数学的モデルが必要である。
本稿では,脳コネクトームをリーマン多様体として表現し,神経接続を測地線としてモデル化する。
DWMRIから脳の形状を推測するための自然なモデリングツールであり、繊維交差を許容できるリーマン計量を推定するために、ディープニューラルネットワークをどのように活用できるかを初めて示す。
提案手法は, 測地・白色・マター・パスウェイアライメントにおける優れた性能を実現し, 従来手法における長年の課題に対処する。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳(メタデータ) (2024-02-19T09:29:37Z) - BrainNetDiff: Generative AI Empowers Brain Network Generation via
Multimodal Diffusion Model [7.894526238189559]
我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。
健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
論文 参考訳(メタデータ) (2023-11-09T08:27:12Z) - Multi-State Brain Network Discovery [37.63826758134553]
脳ネットワークは、人間の脳のfMRIスキャンからノードと平均信号を見つけることを目的としている。
通常、人間の脳は複数の活動状態を持ち、脳の活動は共同で決定される。
論文 参考訳(メタデータ) (2023-11-04T17:54:15Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳(メタデータ) (2022-08-17T12:36:26Z) - 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) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳(メタデータ) (2022-03-18T07:05:27Z) - A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。
ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。
アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
論文 参考訳(メタデータ) (2021-08-02T21:16:29Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳(メタデータ) (2020-07-10T14:01:20Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z)
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。