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
- 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) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳(メタデータ) (2023-05-27T22:28:25Z) - 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) - A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification [6.701251840474303]
自閉症スペクトラム障害(ASD)識別のための動的脳内FCネットワークのトポロジカル構造を学習するための深い確率的枠組みが提案されている。
提案するフレームワークは,動的FCネットワークをまたいだリッチテンポラルパターンを捕捉する空間認識型リカレントニューラルネットワークと,学習したパターンを対象レベルの分類に活用する完全適合型ニューラルネットワークを備えている。
静止状態機能型磁気共鳴画像データセットの評価により,ASDの同定において,我々のフレームワークは最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-14T18:42:17Z) - 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) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳(メタデータ) (2020-05-22T14:29:51Z) - 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。