論文の概要: Deep reinforcement learning for fMRI prediction of Autism Spectrum
Disorder
- arxiv url: http://arxiv.org/abs/2206.11224v1
- Date: Fri, 17 Jun 2022 01:04:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-26 07:12:33.017709
- Title: Deep reinforcement learning for fMRI prediction of Autism Spectrum
Disorder
- Title(参考訳): 自閉症スペクトラム障害のfMRI予測のための深部強化学習
- Authors: Joseph Stember, Danielle Stember, Luca Pasquini, Jenabi Merhnaz,
Andrei Holodny, Hrithwik Shalu
- Abstract要約: Autism Brain Imaging Data Exchange (ABIDE)データベースから100グラフラベル対のDep Reinforcement Learning (DRL)分類器を訓練した。
比較のために、我々は同じトレーニングセットでSupervised Deep Learning (SDL)分類器を訓練した。
DRL は 2.4 x 10(-7) の p 値で SDL を著しく上回った
- 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: Purpose : Because functional MRI (fMRI) data sets are in general small, we
sought a data efficient approach to resting state fMRI classification of autism
spectrum disorder (ASD) versus neurotypical (NT) controls. We hypothesized that
a Deep Reinforcement Learning (DRL) classifier could learn effectively on a
small fMRI training set.
Methods : We trained a Deep Reinforcement Learning (DRL) classifier on 100
graph-label pairs from the Autism Brain Imaging Data Exchange (ABIDE) database.
For comparison, we trained a Supervised Deep Learning (SDL) classifier on the
same training set.
Results : DRL significantly outperformed SDL, with a p-value of 2.4 x
10^(-7). DRL achieved superior results for a variety of classifier performance
metrics, including an F1 score of 76, versus 67 for SDL. Whereas SDL quickly
overfit the training data, DRL learned in a progressive manner that generalised
to the separate testing set.
Conclusion : DRL can learn to classify ASD versus NT in a data efficient
manner, doing so for a small training set. Future work will involve optimizing
the neural network for data efficiency and applying the approach to other fMRI
data sets, namely for brain cancer patients.
- Abstract(参考訳): 目的: 機能的MRI(fMRI)データセットは一般的に小さいため, 自閉症スペクトラム障害 (ASD) とニューロタイプ (NT) コントロール (NT) の相殺状態fMRI分類のためのデータ効率の良いアプローチを模索した。
深部強化学習(DRL)分類器は小さなfMRIトレーニングセットで効果的に学習できると仮定した。
方法: autism brain imaging data exchange (abide) データベースから100のグラフラベルペアを用いた深層強化学習(drl)分類法を訓練した。
比較のために、我々は同じトレーニングセットでSupervised Deep Learning (SDL)分類器を訓練した。
結果: drl は 2.4 x 10^(-7) の sdl を有意に上回った。
DRL は F1 スコア 76 を含む様々な分類器のパフォーマンス指標において,SDL 67 に対して優れた結果を得た。
SDLはトレーニングデータに素早く適合するが、DRLは段階的な方法で学習し、個別のテストセットに一般化した。
結論: drl は asd と nt をデータ効率の良い方法で分類し、小さなトレーニングセットでそれを行うことができる。
今後の研究には、データ効率のためにニューラルネットワークを最適化し、他のfMRIデータセット、すなわち脳がん患者にアプローチを適用することが含まれる。
関連論文リスト
- Denoising Variational Autoencoder as a Feature Reduction Pipeline for the diagnosis of Autism based on Resting-state fMRI [11.871709357017416]
自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、発達過程において、制限された関心とコミュニケーションの困難を特徴とする疾患である。
静止状態fMRI(rs-fMRI)を用いたASD特徴量削減パイプラインを提案する。
我々はNcutsのパーセレーションとPower atlasを使って機能的な接続データを抽出し、3万以上の機能を実現した。
論文 参考訳(メタデータ) (2024-09-30T09:38:47Z) - Self-Supervised Pre-training Tasks for an fMRI Time-series Transformer in Autism Detection [3.665816629105171]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、様々な症状や障害の程度を包含する神経発達障害である。
我々は,関数接続を計算せずに時系列fMRIデータを直接解析するトランスフォーマーベースの自己教師型フレームワークを開発した。
ランダムにROIをマスキングすると、トレーニング前のステップでランダムにマスキングする時間ポイントよりも、モデル性能が向上することを示す。
論文 参考訳(メタデータ) (2024-09-18T20:29:23Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - Robust Learning with Progressive Data Expansion Against Spurious
Correlation [65.83104529677234]
本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。
分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。
本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-08T05:44:06Z) - Self-Supervised Mental Disorder Classifiers via Time Reversal [0.0]
機能的ニューロイメージングデータの時間方向で訓練されたモデルが、下流のタスクに役立つことを実証した。
我々は、独立成分分析(ICA)技術を用いて、fMRIデータから派生した独立成分のディープニューラルネットワークを訓練する。
学習時間方向はfMRIデータにおける因果関係の学習に役立ち、より高速な収束に役立つことを示す。
論文 参考訳(メタデータ) (2022-11-29T17:24:43Z) - Automatic Diagnosis of Schizophrenia and Attention Deficit Hyperactivity
Disorder in rs-fMRI Modality using Convolutional Autoencoder Model and
Interval Type-2 Fuzzy Regression [10.735837620134964]
本稿では,新しいディープラーニング(DL)法を用いた静止状態fMRI(rs-fMRI)のSZおよびADHDインテリジェント検出法を提案する。
SZおよびADHD患者のrs-fMRIモダリティを含むUCLAデータセットが実験に使用されている。
論文 参考訳(メタデータ) (2022-05-31T15:07:29Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳(メタデータ) (2022-03-12T04:11:42Z) - Variational voxelwise rs-fMRI representation learning: Evaluation of
sex, age, and neuropsychiatric signatures [0.0]
本稿では,Voxelwise rs-fMRIデータに非線形表現学習を適用することを提案する。
非線形表現の学習は変分オートエンコーダ(VAE)を用いて行われる
VAEは、voxelwise rs-fMRIデータに基づいて訓練され、意味のある情報を保持する非線形次元還元を行う。
論文 参考訳(メタデータ) (2021-08-29T05:27:32Z) - 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) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳(メタデータ) (2020-04-30T20:42:17Z)
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。