論文の概要: Applications of Generative Adversarial Networks in Neuroimaging and
Clinical Neuroscience
- arxiv url: http://arxiv.org/abs/2206.07081v1
- Date: Tue, 14 Jun 2022 18:10:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 02:58:02.938855
- Title: Applications of Generative Adversarial Networks in Neuroimaging and
Clinical Neuroscience
- Title(参考訳): 神経画像と臨床神経科学における生成的逆境ネットワークの応用
- Authors: Rongguang Wang, Vishnu Bashyam, Zhijian Yang, Fanyang Yu, Vasiliki
Tassopoulou, Lasya P. Sreepada, Sai Spandana Chintapalli, Dushyant Sahoo,
Ioanna Skampardoni, Konstantina Nikita, Ahmed Abdulkadir, Junhao Wen,
Christos Davatzikos
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 4.394368629380544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative adversarial networks (GANs) are one powerful type of deep learning
models that have been successfully utilized in numerous fields. They belong to
a broader family called generative methods, which generate new data with a
probabilistic model by learning sample distribution from real examples. In the
clinical context, GANs have shown enhanced capabilities in capturing spatially
complex, nonlinear, and potentially subtle disease effects compared to
traditional generative methods. This review appraises the existing literature
on the applications of GANs in imaging studies of various neurological
conditions, including Alzheimer's disease, brain tumors, brain aging, and
multiple sclerosis. We provide an intuitive explanation of various GAN methods
for each application and further discuss the main challenges, open questions,
and promising future directions of leveraging GANs in neuroimaging. We aim to
bridge the gap between advanced deep learning methods and neurology research by
highlighting how GANs can be leveraged to support clinical decision making and
contribute to a better understanding of the structural and functional patterns
of brain diseases.
- Abstract(参考訳): generative adversarial networks (gans)は、多くの分野でうまく利用されている強力なディープラーニングモデルである。
これは実例からサンプル分布を学習することで確率モデルを持つ新しいデータを生成する。
臨床の文脈では、GANは従来の生成法と比較して、空間的に複雑で非線形で、潜在的に微妙な疾患効果を捉える能力を増強している。
本総説では、アルツハイマー病、脳腫瘍、脳の老化、多発性硬化症を含む様々な神経疾患のイメージング研究におけるgansの応用に関する既存の文献を概説する。
我々は,各アプリケーションに対する様々なGAN手法の直感的な説明を行い,主要な課題,オープンな質問,神経イメージングにおけるGANの活用の今後の方向性についてさらに議論する。
我々は,gansを臨床意思決定支援に活用し,脳疾患の構造的・機能的パターンの理解を深めることによって,高度な深層学習法と神経学研究のギャップを埋めることを目的としている。
関連論文リスト
- 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) - Automated Natural Language Explanation of Deep Visual Neurons with Large
Models [43.178568768100305]
本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。
我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
論文 参考訳(メタデータ) (2023-10-16T17:04:51Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳(メタデータ) (2023-09-21T08:53:51Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Promises and pitfalls of deep neural networks in neuroimaging-based
psychiatric research [0.9449650062296824]
ディープニューラルネットワーク、特に畳み込みニューラルネットワークは、医療画像の強力なツールへと進化してきた。
ここでは、まず、方法論的鍵概念と結果の方法論的約束について紹介する。
神経画像に基づく精神医学研究における最近の応用を振り返り、現在の課題について論じる。
論文 参考訳(メタデータ) (2023-01-20T12:05:59Z) - Interpretable Graph Neural Networks for Connectome-Based Brain Disorder
Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。
提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文 参考訳(メタデータ) (2022-06-30T08:02:05Z) - Learning Generative Factors of Neuroimaging Data with Variational
auto-encoders [0.0]
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。
論文 参考訳(メタデータ) (2022-06-04T08:23:25Z) - 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) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳(メタデータ) (2022-03-15T23:16:49Z) - 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)
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。