論文の概要: BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data
Classification
- arxiv url: http://arxiv.org/abs/2208.03028v1
- Date: Fri, 5 Aug 2022 07:54:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 13:05:29.261583
- Title: BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data
Classification
- Title(参考訳): BrainFormer:脳MRIデータ分類のためのハイブリッドCNN変換器モデル
- Authors: Wei Dai, Ziyao Zhang, Lixia Tian, Shengyuan Yu, Shuhui Wang, Zhao
Dong, and Hairong Zheng
- Abstract要約: BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。
BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。
我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
- 参考スコア(独自算出の注目度): 31.83866719445596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In neuroimaging analysis, functional magnetic resonance imaging (fMRI) can
well assess brain function changes for brain diseases with no obvious
structural lesions. So far, most deep-learning-based fMRI studies take
functional connectivity as the basic feature in disease classification.
However, functional connectivity is often calculated based on time series of
predefined regions of interest and neglects detailed information contained in
each voxel, which may accordingly deteriorate the performance of diagnostic
models. Another methodological drawback is the limited sample size for the
training of deep models. In this study, we propose BrainFormer, a general
hybrid Transformer architecture for brain disease classification with single
fMRI volume to fully exploit the voxel-wise details with sufficient data
dimensions and sizes. BrainFormer is constructed by modeling the local cues
within each voxel with 3D convolutions and capturing the global relations among
distant regions with two global attention blocks. The local and global cues are
aggregated in BrainFormer by a single-stream model. To handle multisite data,
we propose a normalization layer to normalize the data into identical
distribution. Finally, a Gradient-based Localization-map Visualization method
is utilized for locating the possible disease-related biomarker. We evaluate
BrainFormer on five independently acquired datasets including ABIDE, ADNI,
MPILMBB, ADHD-200 and ECHO, with diseases of autism, Alzheimer's disease,
depression, attention deficit hyperactivity disorder, and headache disorders.
The results demonstrate the effectiveness and generalizability of BrainFormer
for multiple brain diseases diagnosis. BrainFormer may promote
neuroimaging-based precision diagnosis in clinical practice and motivate future
study in fMRI analysis. Code is available at:
https://github.com/ZiyaoZhangforPCL/BrainFormer.
- Abstract(参考訳): 神経画像解析において、機能的磁気共鳴画像(fmri)は、明らかな構造的病変のない脳疾患の脳機能変化をよく評価できる。
これまでのディープラーニングに基づくfMRI研究は、疾患分類の基本的な特徴として機能的な接続性に注目している。
しかし、関心領域の時系列に基づいて機能接続を計算し、各ボクセルに含まれる詳細な情報を無視し、診断モデルの性能を劣化させる可能性がある。
もう一つの方法論上の欠点は、深層モデルの訓練のための限られたサンプルサイズである。
本研究では,1つのfMRIボリュームを持つ脳疾患分類のための汎用ハイブリッドトランスフォーマーアーキテクチャであるBrainFormerを提案する。
brainformerは、それぞれのvoxel内の局所的な手がかりを3d畳み込みでモデル化し、2つのグローバルアテンションブロックを持つ遠方の地域間のグローバルリレーションをキャプチャする。
ローカルとグローバルのキューは、シングルストリームモデルによってbrainformerに集約される。
マルチサイトデータを扱うために,データを同一分布に正規化する正規化層を提案する。
最後に,病原性バイオマーカーの探索に勾配に基づく局在マップ可視化法を用いる。
abide, adni, mpilmbb, adhd-200, echo, 自閉症, アルツハイマー病, うつ病, 注意欠陥多動障害, 頭痛障害の5つのデータセットについてbrainformerを評価した。
その結果,多発性脳疾患の診断におけるbrainformerの有効性と汎用性が示された。
BrainFormerは、臨床実践において神経画像に基づく精密診断を促進し、fMRI分析における将来の研究を動機づける。
コードは、https://github.com/ZiyaoZhangforPCL/BrainFormerで入手できる。
関連論文リスト
- BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。
本稿では,視覚変換器を用いた2段階事前学習手法を提案する。
BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
論文 参考訳(メタデータ) (2024-06-14T19:49:45Z) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳(メタデータ) (2024-04-30T10:53:30Z) - 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) - Connectional-Style-Guided Contextual Representation Learning for Brain
Disease Diagnosis [12.172262618438173]
本研究では,脳の固有パターンを捉えるために,接続型文脈表現学習モデル(CS-CRL)を提案する。
CS-CRLは6つのデータセットと3つの疾患にまたがる複数の脳疾患診断タスクにおいて優れた精度を達成する。
論文 参考訳(メタデータ) (2023-06-08T15:39:27Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - 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) - 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) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z)
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。