Fugu-MT 論文翻訳(概要): Learning Generative Factors of Neuroimaging Data with Variational auto-encoders

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

Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。 fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか? 以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
論文参考訳（メタデータ） (2024-09-17T17:24:17Z)
Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文参考訳（メタデータ） (2024-05-29T17:07:33Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
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)
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)
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)
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。