論文の概要: Learning Multitask Gaussian Bayesian Networks
- arxiv url: http://arxiv.org/abs/2205.05343v1
- Date: Wed, 11 May 2022 08:38:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 03:46:29.586800
- Title: Learning Multitask Gaussian Bayesian Networks
- Title(参考訳): マルチタスクガウスベイズネットワークの学習
- Authors: Shuai Liu, Yixuan Qiu, Baojuan Li, Huaning Wang and Xiangyu Chang
- Abstract要約: 大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。
fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。
本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
- 参考スコア(独自算出の注目度): 11.745963019193955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Major depressive disorder (MDD) requires study of brain functional
connectivity alterations for patients, which can be uncovered by resting-state
functional magnetic resonance imaging (rs-fMRI) data. We consider the problem
of identifying alterations of brain functional connectivity for a single MDD
patient. This is particularly difficult since the amount of data collected
during an fMRI scan is too limited to provide sufficient information for
individual analysis. Additionally, rs-fMRI data usually has the characteristics
of incompleteness, sparsity, variability, high dimensionality and high noise.
To address these problems, we proposed a multitask Gaussian Bayesian network
(MTGBN) framework capable for identifying individual disease-induced
alterations for MDD patients. We assume that such disease-induced alterations
show some degrees of similarity with the tool to learn such network structures
from observations to understanding of how system are structured jointly from
related tasks. First, we treat each patient in a class of observation as a task
and then learn the Gaussian Bayesian networks (GBNs) of this data class by
learning from all tasks that share a default covariance matrix that encodes
prior knowledge. This setting can help us to learn more information from
limited data. Next, we derive a closed-form formula of the complete likelihood
function and use the Monte-Carlo Expectation-Maximization(MCEM) algorithm to
search for the approximately best Bayesian network structures efficiently.
Finally, we assess the performance of our methods with simulated and real-world
rs-fMRI data.
- Abstract(参考訳): 大うつ病(MDD)は、脳の機能的接続変化の研究を必要とするが、この変化は、静止状態の機能的磁気共鳴画像(rs-fMRI)データによって発見できる。
単一のMDD患者に対する脳機能的接続の変化を特定することの問題点を考察する。
fMRIスキャンで収集されるデータの量は、個々の分析に十分な情報を提供するには限られているため、これは特に困難である。
さらに、RS-fMRIデータは通常、不完全性、疎性、変動性、高次元性、高雑音の特徴を持つ。
これらの課題に対処するために,MDD患者に対する個別の疾患誘発変化を識別できるマルチタスクガウスベイズネットワーク(MTGBN)を提案する。
このような疾患によって引き起こされる変化は、観測からシステムの構造理解までのネットワーク構造を関連するタスクから学ぶためのツールと、ある程度の類似性を示していると仮定する。
まず、各患者をタスクとして観察クラスに分類し、事前知識をエンコードするデフォルト共分散行列を共有するすべてのタスクから学習することで、このデータクラスのガウスベイズネットワーク(gbns)を学習する。
この設定は、限られたデータからより多くの情報を学ぶのに役立つ。
次に、完全確率関数の閉形式式を導出し、モンテカルロ予想最大化(MCEM)アルゴリズムを用いて、ほぼ最高のベイズネットワーク構造を効率的に探索する。
最後に,シミュレーションおよび実世界のrs-fMRIデータを用いて,本手法の性能を評価する。
関連論文リスト
- CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting
Functional Outcome in Stroke Patients [1.5250925845050138]
脳卒中患者の管理において臨床結果予測は重要な役割を担っている。
機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。
本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
論文 参考訳(メタデータ) (2022-05-11T14:46:01Z) - SMU-Net: Style matching U-Net for brain tumor segmentation with missing
modalities [4.855689194518905]
MRI画像における脳腫瘍のセグメント化のためのスタイルマッチングU-Net(SMU-Net)を提案する。
我々の共同学習手法は、コンテンツとスタイルマッチング機構を用いて、全モダリティネットワークから欠落したモダリティネットワークに情報的特徴を蒸留する。
我々のスタイルマッチングモジュールは、一致した関数を学習して表現空間を適応的に再構成し、情報的特徴とテクスチャ的特徴を完全なモダリティパスから欠落モダリティパスに転送する。
論文 参考訳(メタデータ) (2022-04-06T17:55:19Z) - Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
クラスタリングはしばしば機能的パーセレーションを生成するために使われる。
本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-02-19T20:30:02Z) - FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine
Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。
アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。
提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文 参考訳(メタデータ) (2022-01-29T13:45:39Z) - FedMed-GAN: Federated Multi-Modal Unsupervised Brain Image Synthesis [55.29343228661974]
我々は、フェデレートされたマルチモーダルな教師なし脳画像合成のための新しいベンチマークを構築した(FedMed-GAN)。
本稿では,FedMed-GANの生成モード崩壊問題を解消し,差分プライバシーによる性能低下を軽減するために,新たなエッジ損失を提案する。
論文 参考訳(メタデータ) (2022-01-22T02:50:29Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Multiple Instance Learning for Brain Tumor Detection from Magnetic
Resonance Spectroscopy Data [1.4353812560047188]
磁気共鳴分光法(MRS)データに深層学習(DL)を適用し,脳腫瘍検出の課題について検討した。
我々は同一患者の複数のスペクトルを分類するために「バッグ」に集約し、データ拡張技術を適用した。
単一スペクトルではなく,複数インスタンスでのトレーニングにおいて,分類性能が著しく向上することが実証された。
論文 参考訳(メタデータ) (2021-12-16T12:51:55Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳(メタデータ) (2021-12-09T07:11:14Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳(メタデータ) (2021-03-22T05:19:40Z) - Active Selection of Classification Features [0.0]
人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。
本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
論文 参考訳(メタデータ) (2021-02-26T18:19:08Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z)
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。