論文の概要: Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity
- arxiv url: http://arxiv.org/abs/2209.11232v1
- Date: Thu, 22 Sep 2022 04:17:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 13:44:20.046236
- Title: Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity
- Title（参考訳）: 機能的接続を用いた脳障害診断のためのマルチスケールアトラスによる階層型グラフ畳み込みネットワーク
- Authors: Mianxin Liu, Han Zhang, Feng Shi, and Dinggang Shen
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 48.75665245214903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional connectivity network (FCN) data from functional magnetic resonance
imaging (fMRI) is increasingly used for the diagnoses of brain disorders.
However, state-of-the-art studies used to build the FCN using a single brain
parcellation atlas at a certain spatial scale, which largely neglected
functional interactions across different spatial scales in hierarchical
manners. In this study, we propose a novel framework to perform multiscale FCN
analysis for brain disorder diagnosis. We first use a set of well-defined
multiscale atlases to compute multiscale FCNs. Then, we utilize biologically
meaningful brain hierarchical relationships among the regions in multiscale
atlases to perform nodal pooling across multiple spatial scales, namely
"Atlas-guided Pooling". Accordingly, we propose a Multiscale-Atlases-based
Hierarchical Graph Convolutional Network (MAHGCN), built on the stacked layers
of graph convolution and the atlas-guided pooling, for a comprehensive
extraction of diagnostic information from multiscale FCNs. Experiments on
neuroimaging data from 1792 subjects demonstrate the effectiveness of our
proposed method in the diagnoses of Alzheimer's disease (AD), the prodromal
stage of AD (i.e., mild cognitive impairment [MCI]), as well as autism spectrum
disorder (ASD), with accuracy of 88.9%, 78.6%, and 72.7% respectively. All
results show significant advantages of our proposed method over other competing
methods. This study not only demonstrates the feasibility of brain disorder
diagnosis using resting-state fMRI empowered by deep learning, but also
highlights that the functional interactions in the multiscale brain hierarchy
are worth being explored and integrated into deep learning network
architectures for better understanding the neuropathology of brain disorders.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)による機能的接続ネットワーク(FCN)データは、脳疾患の診断にますます利用されている。
しかし、ある空間スケールで単一の脳解析アトラスを用いてFCNを構築するための最先端の研究は、階層的な方法で異なる空間スケールにわたる機能的相互作用を無視した。
本研究では,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枠組みを提案する。
まず,マルチスケールfcnsの計算に,高度に定義されたマルチスケールアトラスを用いた。
そこで我々は,マルチスケールアトラスの領域間の生物学的に有意な脳階層的関係を利用して,複数の空間的スケール,すなわち「アトラス誘導プール」を行う。
そこで本研究では,マルチスケールfcnsから診断情報を総合的に抽出するために,グラフ畳み込みとatlas誘導プールの積層層上に構築したマルチスケールアトラス型階層型グラフ畳み込みネットワーク(mahgcn)を提案する。
1792人の脳画像データを用いた実験では、アルツハイマー病(ad)、adの病期(軽度認知障害(mci))、自閉症スペクトラム障害(asd)の診断において、それぞれ88.9%、78.6%、72.7%の精度で提案手法の有効性が示された。
これらの結果から,提案手法の他の競合手法に対する大きな利点が示された。
本研究は、深層学習によって強化された安静状態fmriを用いた脳障害診断の実現可能性を示すだけでなく、多脳階層における機能的相互作用は、脳障害の神経病理をよりよく理解するために、深層学習ネットワークアーキテクチャに探索および統合する価値があることを強調する。
関連論文リスト
- Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion [16.622075098468002]
脳ネットワーク分類の標準アトラスは存在せず、障害の異常を検出するのに限界がある。
最近の手法では複数のアトラスを利用する方法が提案されているが、それらはアトラス間の一貫性を無視し、ROIレベルの情報交換を欠いている。
我々は,fMRIデータを用いた脳ネットワーク分類を改善するために,Atlas-Integrated Distillation and Fusion Network (AIDFusion)を提案する。
論文 参考訳（メタデータ） (2024-09-28T11:51:35Z) - 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) - 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) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-16T05:22:25Z) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳（メタデータ） (2023-06-15T16:22:57Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - 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) - Identifying Autism Spectrum Disorder Based on Individual-Aware
Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。
本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文 参考訳（メタデータ） (2021-09-19T14:22:55Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z)
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。