論文の概要: Interpretable Fusion Analytics Framework for fMRI Connectivity:
Self-Attention Mechanism and Latent Space Item-Response Model
- arxiv url: http://arxiv.org/abs/2207.01581v1
- Date: Mon, 4 Jul 2022 17:01:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:15:23.767182
- Title: Interpretable Fusion Analytics Framework for fMRI Connectivity:
Self-Attention Mechanism and Latent Space Item-Response Model
- Title（参考訳）: fMRIコネクティビティのための解釈可能な融合分析フレームワーク:自己注意機構と潜在空間項目応答モデル
- Authors: Jeong-Jae Kim, Yeseul Jeon, SuMin Yu, Junggu Choi, Sanghoon Han
- Abstract要約: 本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。
この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There have been several attempts to use deep learning based on brain fMRI
signals to classify cognitive impairment diseases. However, deep learning is a
hidden black box model that makes it difficult to interpret the process of
classification. To address this issue, we propose a novel analytical framework
that interprets the classification result from deep learning processes. We
first derive the region of interest (ROI) functional connectivity network (FCN)
by embedding functions based on their similar signal patterns. Then, using the
self-attention equipped deep learning model, we classify diseases based on
their FCN. Finally, in order to interpret the classification results, we employ
a latent space item-response interaction network model to identify the
significant functions that exhibit distinct connectivity patterns when compared
to other diseases. The application of this proposed framework to the four types
of cognitive impairment shows that our approach is valid for determining the
significant ROI functions.
- Abstract（参考訳）: 脳のfMRI信号に基づく深層学習を用いて認知障害疾患を分類する試みがいくつかある。
しかし、ディープラーニングは隠されたブラックボックスモデルであり、分類のプロセスを理解するのが困難である。
この問題に対処するために,深層学習プロセスからの分類結果を解釈する新しい分析フレームワークを提案する。
興味領域(ROI)関数接続ネットワーク(FCN)を,その類似した信号パターンに基づいて埋め込み関数によって導出する。
そして,自己注意型深層学習モデルを用いて,そのFCNに基づいて疾患を分類する。
最後に, 分類結果を解釈するために, 潜在空間アイテム-応答インタラクションネットワークモデルを用いて, 他の疾患と比較して異なる接続パターンを示す重要な機能を同定した。
この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。
これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。
本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-19T23:35:06Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - A Learnable Counter-condition Analysis Framework for Functional
Connectivity-based Neurological Disorder Diagnosis [8.1410193893176]
本稿では,診断(特徴選択と特徴抽出)と説明を体系的に統合する新しい統合フレームワークを提案する。
最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供し、反条件分析とも呼ばれる。
論文 参考訳（メタデータ） (2023-10-06T01:33:47Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Nested Named Entity Recognition from Medical Texts: An Adaptive Shared
Network Architecture with Attentive CRF [53.55504611255664]
ネスト現象によるジレンマを解決するために,ASACと呼ばれる新しい手法を提案する。
提案手法は,適応共有(AS)部と注意条件付きランダムフィールド(ACRF)モジュールの2つの鍵モジュールを含む。
我々のモデルは、異なるカテゴリのエンティティ間の暗黙の区別と関係をキャプチャすることで、より良いエンティティ表現を学ぶことができる。
論文 参考訳（メタデータ） (2022-11-09T09:23:56Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - 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) - A deep learning model for data-driven discovery of functional
connectivity [0.0]
本稿では,被験者を分類する学習の一環として,接続構造を学習する深層学習アーキテクチャBrainGNNを提案する。
統合失調症 fMRI データセットを用いて,そのモデルの最先端の分類性能を示す。
論文 参考訳（メタデータ） (2021-12-07T21:57:32Z) - 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) - Identification of brain states, transitions, and communities using
functional MRI [0.5872014229110214]
ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。
タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
論文 参考訳（メタデータ） (2021-01-26T08:10:00Z)
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。