論文の概要: Adversarial Learning Based Structural Brain-network Generative Model for
Analyzing Mild Cognitive Impairment
- arxiv url: http://arxiv.org/abs/2208.08896v1
- Date: Tue, 9 Aug 2022 02:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:22:19.820427
- Title: Adversarial Learning Based Structural Brain-network Generative Model for
Analyzing Mild Cognitive Impairment
- Title(参考訳): 軽度認知障害分析のための構造的脳ネットワーク生成モデルに基づくadversarial learning
- Authors: Heng Kong and Shuqiang Wang
- Abstract要約: 軽度認知障害(MCI)はアルツハイマー病(AD)の前駆体である
本研究では,脳拡散テンソル画像から直接構造的接続を学習するために,逆学習に基づく構造的脳ネットワーク生成モデル(SBGM)を提案する。
提案モデルでは,アルツハイマー病神経画像イニシアチブ(ADNI)データベース上で,EMCI,LMCI,NCの3つの被験者を分類し,83.33%の精度で分類した。
- 参考スコア(独自算出の注目度): 7.403660531145136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mild cognitive impairment(MCI) is a precursor of Alzheimer's disease(AD), and
the detection of MCI is of great clinical significance. Analyzing the
structural brain networks of patients is vital for the recognition of MCI.
However, the current studies on structural brain networks are totally dependent
on specific toolboxes, which is time-consuming and subjective. Few tools can
obtain the structural brain networks from brain diffusion tensor images. In
this work, an adversarial learning-based structural brain-network generative
model(SBGM) is proposed to directly learn the structural connections from brain
diffusion tensor images. By analyzing the differences in structural brain
networks across subjects, we found that the structural brain networks of
subjects showed a consistent trend from elderly normal controls(NC) to early
mild cognitive impairment(EMCI) to late mild cognitive impairment(LMCI):
structural connectivity progressed in a progressively weaker direction as the
condition worsened. In addition, our proposed model tri-classifies EMCI, LMCI,
and NC subjects, achieving a classification accuracy of 83.33\% on the
Alzheimer's Disease Neuroimaging Initiative(ADNI) database.
- Abstract(参考訳): 軽度認知障害(MCI)はアルツハイマー病(AD)の前駆体であり,MCIの検出は臨床的に極めて重要である。
mciの認識には患者の脳構造ネットワークの解析が不可欠である。
しかし、構造脳ネットワークに関する現在の研究は、時間と主観的な特定のツールボックスに完全に依存している。
脳拡散テンソル画像から構造的脳ネットワークを得るツールはほとんどない。
本研究では,脳拡散テンソル画像から構造接続を直接学習するために,逆学習に基づく構造的脳ネットワーク生成モデル(sbgm)を提案する。
対象者間の構造的脳ネットワークの違いを分析することで,高齢者の正常制御(nc)から早期軽度認知障害(emci),後期軽度認知障害(lmci)に至るまで,対象者の構造的脳ネットワークが一貫した傾向を示した。
さらに,本モデルでは,アルツハイマー病神経画像イニシアチブ(ADNI)データベースを用いて,EMCI,LMCI,NC被験者を3分類し,その分類精度を83.33\%とした。
関連論文リスト
- Brain-like Functional Organization within Large Language Models [58.93629121400745]
人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた
最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。
本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。
このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
論文 参考訳(メタデータ) (2024-10-25T13:15:17Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳(メタデータ) (2024-07-31T04:32:43Z) - 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) - 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) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - 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) - Predicting conversion of mild cognitive impairment to Alzheimer's
disease [5.1680226874942985]
我々は,日常的な解剖学的MRIから構造的脳ネットワークを生成するための,自己指導型コントラスト学習手法を開発した。
生成された脳ネットワークを用いて、MCI-AD変換を予測するための学習フレームワークを訓練する。
論文 参考訳(メタデータ) (2022-03-08T14:13:54Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳(メタデータ) (2021-04-10T03:16:33Z) - 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。