論文の概要: Improving the Diagnosis of Psychiatric Disorders with Self-Supervised
Graph State Space Models
- arxiv url: http://arxiv.org/abs/2206.03331v1
- Date: Tue, 7 Jun 2022 14:15:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 20:04:21.395494
- Title: Improving the Diagnosis of Psychiatric Disorders with Self-Supervised
Graph State Space Models
- Title(参考訳): 自己監督型グラフ状態モデルによる精神疾患の診断の改善
- Authors: Ahmed El Gazzar, Rajat Mani Thomas, Guido Van Wingen
- Abstract要約: 静止機能磁気共鳴画像(rs-fMRI)から異種精神疾患の診断を改善するための枠組みを提案する。
rs-fMRIデータをモデル化するために、最近提案された状態空間モデルS4への拡張であるGraph-S4を開発した。
このフレームワークとGraph-S4を組み合わせることで、3つのオープンソースマルチセンター rs-fMRI 臨床データセットにおいて、MDD と ASD のニューロイメージングに基づく単体予測モデルの診断性能が大幅に向上することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single subject prediction of brain disorders from neuroimaging data has
gained increasing attention in recent years. Yet, for some heterogeneous
disorders such as major depression disorder (MDD) and autism spectrum disorder
(ASD), the performance of prediction models on large-scale multi-site datasets
remains poor. We present a two-stage framework to improve the diagnosis of
heterogeneous psychiatric disorders from resting-state functional magnetic
resonance imaging (rs-fMRI). First, we propose a self-supervised mask
prediction task on data from healthy individuals that can exploit differences
between healthy controls and patients in clinical datasets. Next, we train a
supervised classifier on the learned discriminative representations. To model
rs-fMRI data, we develop Graph-S4; an extension to the recently proposed
state-space model S4 to graph settings where the underlying graph structure is
not known in advance. We show that combining the framework and Graph-S4 can
significantly improve the diagnostic performance of neuroimaging-based single
subject prediction models of MDD and ASD on three open-source multi-center
rs-fMRI clinical datasets.
- Abstract(参考訳): 近年,神経画像データによる脳障害の単一被検者予測が注目されている。
しかし、大うつ病障害(MDD)や自閉症スペクトラム障害(ASD)などの異種性疾患では、大規模多地点データセットの予測モデルの性能はいまだに劣っている。
静止状態機能MRI(s-fMRI)から異種精神疾患の診断を改善するための2段階の枠組みを提案する。
まず,健康管理と臨床データセットにおける患者との差異を活用できる健常者データに対する自己教師付きマスク予測タスクを提案する。
次に,学習した識別表現に基づいて教師付き分類器を訓練する。
rs-fMRIデータをモデル化するために、最近提案された状態空間モデルS4への拡張であるGraph-S4を開発した。
このフレームワークとGraph-S4を組み合わせることで、3つのオープンソースマルチセンター rs-fMRI 臨床データセットにおいて、MDD と ASD のニューロイメージングに基づく単体予測モデルの診断性能が大幅に向上することを示す。
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) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳(メタデータ) (2023-04-08T16:23:18Z) - HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information
Bottleneck [3.8988556182958005]
情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。
本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。
我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
論文 参考訳(メタデータ) (2023-03-18T10:53:43Z) - Autism spectrum disorder classification based on interpersonal neural
synchrony: Can classification be improved by dyadic neural biomarkers using
unsupervised graph representation learning? [0.0]
ASDの中核的な側面の神経機構を明示的にマッピングする教師なしグラフ表現を導入する。
機能近赤外分光データによる最初の結果は、タスクに依存しない、解釈可能なグラフ表現の潜在的な予測能力を示している。
論文 参考訳(メタデータ) (2022-08-17T07:10:57Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2021-07-28T07:19:00Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。