論文の概要: Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes
- arxiv url: http://arxiv.org/abs/2209.02876v1
- Date: Wed, 7 Sep 2022 01:37:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:20:01.317454
- Title: Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes
- Title（参考訳）: 自己教師付きマルチモーダルニューロイメージングはアルツハイマーの表現型スペクトルの予測表現をもたらす
- Authors: Alex Fedorov, Eloy Geenjaar, Lei Wu, Tristan Sylvain, Thomas P.
DeRamus, Margaux Luck, Maria Misiura, R Devon Hjelm, Sergey M. Plis, Vince D.
Calhoun
- Abstract要約: この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。
本稿では,情報誘導バイアスの一般的な分類法を提案する。
自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
- 参考スコア（独自算出の注目度）: 27.331511924585023
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent neuroimaging studies that focus on predicting brain disorders via
modern machine learning approaches commonly include a single modality and rely
on supervised over-parameterized models.However, a single modality provides
only a limited view of the highly complex brain. Critically, supervised models
in clinical settings lack accurate diagnostic labels for training. Coarse
labels do not capture the long-tailed spectrum of brain disorder phenotypes,
which leads to a loss of generalizability of the model that makes them less
useful in diagnostic settings. This work presents a novel multi-scale
coordinated framework for learning multiple representations from multimodal
neuroimaging data. We propose a general taxonomy of informative inductive
biases to capture unique and joint information in multimodal self-supervised
fusion. The taxonomy forms a family of decoder-free models with reduced
computational complexity and a propensity to capture multi-scale relationships
between local and global representations of the multimodal inputs. We conduct a
comprehensive evaluation of the taxonomy using functional and structural
magnetic resonance imaging (MRI) data across a spectrum of Alzheimer's disease
phenotypes and show that self-supervised models reveal disorder-relevant brain
regions and multimodal links without access to the labels during pre-training.
The proposed multimodal self-supervised learning yields representations with
improved classification performance for both modalities. The concomitant rich
and flexible unsupervised deep learning framework captures complex multimodal
relationships and provides predictive performance that meets or exceeds that of
a more narrow supervised classification analysis. We present elaborate
quantitative evidence of how this framework can significantly advance our
search for missing links in complex brain disorders.
- Abstract（参考訳）: 現代の機械学習アプローチによる脳疾患の予測に焦点を当てた最近の神経画像研究では、一般的に1つのモダリティを含み、教師ありの過剰パラメータモデルに依存している。
臨床的設定における教師付きモデルは、トレーニングのための正確な診断ラベルを欠いている。
粗いラベルは、長い尾を持つ脳障害の表現型を捉えないため、モデルの一般化性が失われ、診断設定にはあまり役に立たない。
本稿では,マルチモーダルニューロイメージングデータから複数の表現を学習するための,新しいマルチスケールコーディネートフレームワークを提案する。
本稿では,マルチモーダル自己教師付き融合における一意および共同情報を捉えるための情報的帰納的バイアスの一般分類法を提案する。
分類学は、計算複雑性が減少し、マルチモーダル入力の局所的表現と大域的表現の間のマルチスケールな関係を捉える傾向を持つデコーダフリーモデル群を形成する。
アルツハイマー病の表現型スペクトルにまたがる機能的および構造的磁気共鳴画像(mri)データを用いて分類法を包括的に評価し,自己教師付きモデルが前訓練中にラベルにアクセスせずに障害関連脳領域とマルチモーダルリンクを明らかにすることを示した。
提案したマルチモーダル自己教師学習は、両モードの分類性能を改善した表現を与える。
複合的なリッチで柔軟な教師なしのディープラーニングフレームワークは、複雑なマルチモーダルな関係を捉え、より狭義の教師付き分類分析に適合または超える予測性能を提供する。
我々は,この枠組みが複雑な脳疾患における欠落リンクの探索を著しく促進することを示す詳細な定量的証拠を示す。
関連論文リスト
- Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。
深層学習はこれらの表現を捉えることを約束している。
本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
論文 参考訳（メタデータ） (2024-10-30T23:51:31Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳（メタデータ） (2022-08-17T12:36:26Z) - Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。
完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。
もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文 参考訳（メタデータ） (2022-02-14T19:29:08Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-07-21T08:08:05Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z) - Self-Supervised Multimodal Domino: in Search of Biomarkers for
Alzheimer's Disease [19.86082635340699]
自己監督型表現学習アルゴリズムを編成する合理的な方法の分類法を提案する。
まず,おもちゃのマルチモーダルMNISTデータセットのモデルを評価し,アルツハイマー病患者を用いたマルチモーダル・ニューロイメージングデータセットに適用した。
提案手法は,従来の自己教師付きエンコーダデコーダ法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-25T20:28:13Z) - On self-supervised multi-modal representation learning: An application
to Alzheimer's disease [21.495288589801476]
機能的および構造的脳イメージングを訓練した深い教師付き予測モデルのイントロスペクションはアルツハイマー病の新しいマーカーを明らかにするかもしれない
深い教師なし、そして近年では、分類に偏らない対照的な自己監督的アプローチが、このタスクのより良い候補である。
論文 参考訳（メタデータ） (2020-12-25T19:51:19Z) - 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)
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。