論文の概要: Learning Generative Factors of Neuroimaging Data with Variational
auto-encoders
- arxiv url: http://arxiv.org/abs/2206.01939v1
- Date: Sat, 4 Jun 2022 08:23:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 17:36:36.344851
- Title: Learning Generative Factors of Neuroimaging Data with Variational
auto-encoders
- Title(参考訳): 変動型オートエンコーダを用いた神経画像データの学習生成因子
- Authors: Maksim Zhdanov, Saskia Steinmann and Nico Hoffmann
- Abstract要約: 生成モデリングの枠組みを応用して、複数の病理を分類し、それらの病理の神経学的メカニズムをデータ駆動で復元する。
本稿では、現在のドメイン知識と整合した疾患関連メカニズムを学習するフレームワークの能力を実証する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuroimaging techniques produce high-dimensional, stochastic data from which
it might be challenging to extract high-level knowledge about the phenomena of
interest. We address this challenge by applying the framework of generative
modelling to 1) classify multiple pathologies, 2) recover neurological
mechanisms of those pathologies in a data-driven manner and 3) learn robust
representations of neuroimaging data. We illustrate the applicability of the
proposed approach to identifying schizophrenia, either followed or not by
auditory verbal hallucinations. We further demonstrate the ability of the
framework to learn disease-related mechanisms that are consistent with current
domain knowledge. We also compare the proposed framework with several benchmark
approaches and indicate its advantages.
- Abstract(参考訳): ニューロイメージング技術は、興味のある現象に関する高いレベルの知識を抽出するのが難しい、高次元の確率的なデータを生成する。
生成モデリングの枠組みを応用することでこの問題に対処する。
1)複数の病理を分類する。
2)これらの病理の神経学的メカニズムをデータ駆動的に回復し,
3)神経画像データの堅牢な表現を学ぶ。
統合失調症(統合失調症)を聴覚幻覚で識別する手法の適用性について検討した。
我々はさらに,現在のドメイン知識と整合する疾患関連メカニズムを学習するフレームワークの能力を実証する。
また,提案フレームワークをいくつかのベンチマーク手法と比較し,その利点を示す。
関連論文リスト
- 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) - Applications of Generative Adversarial Networks in Neuroimaging and
Clinical Neuroscience [4.394368629380544]
GAN(Generative Adversarial Network)は,多くの分野において有効なディープラーニングモデルである。
GANは、空間的に複雑で非線形で、潜在的に微妙な病気効果を捉える能力を増強している。
本総説では, 各種神経疾患のイメージング研究におけるGANの応用について, 既存の文献を概説する。
論文 参考訳(メタデータ) (2022-06-14T18:10:00Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Alzheimer's Disease Diagnosis via Deep Factorization Machine Models [3.135152720206844]
アルツハイマー病の診断における現在の最先端のディープニューラルネットワーク(DNN)は、患者を分類するために異なるバイオマーカーの組み合わせを使用している。
本稿では,DNNの複雑な関係学習能力と線形モデルの解釈容易性を組み合わせたDeep Factorization Machineモデルを提案する。
論文 参考訳(メタデータ) (2021-08-12T18:39:04Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳(メタデータ) (2021-01-07T10:17:11Z) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Visual Explanation for Identification of the Brain Bases for Dyslexia on
fMRI Data [13.701992590330395]
ネットワーク可視化技術を用いて、高レベルの特徴を学習するために必要な畳み込みニューラルネットワーク層において、分類された条件に対する専門家が支援する洞察に意味のあるイメージを提供することができることを示す。
以上の結果から,脳画像のみによる発達障害の正確な分類だけでなく,同時代の神経科学的知識と一致する特徴の自動可視化も可能となった。
論文 参考訳(メタデータ) (2020-07-17T22:11:30Z) - Incorporating structured assumptions with probabilistic graphical models
in fMRI data analysis [5.23143327587266]
我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。
これらのアルゴリズムも同様にfMRIの課題に取り組む。
認知神経科学における明示的モデル構築のより広範な採用を提唱する。
論文 参考訳(メタデータ) (2020-05-11T06:32:54Z)
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。