論文の概要: Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On
Aggregated Task-based fMRI Data
- arxiv url: http://arxiv.org/abs/2210.05240v1
- Date: Tue, 11 Oct 2022 08:12:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 15:29:19.444531
- Title: Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On
Aggregated Task-based fMRI Data
- Title（参考訳）: Aggregated Task-based fMRIデータを用いた統合失調症の多地点診断
- Authors: Vigneshwaran Shankaran and Bhaskaran V
- Abstract要約: 統合失調症の発展の基盤となるメカニズムと、その再発、症状学、治療は謎のままである。
統合失調症の多様性と複雑な性質に対処するための適切な分析ツールがないことは、この疾患の発生に寄与する要因の1つである可能性がある。
深層学習は統合失調症の根底にあるメカニズムを理解する強力なツールになる可能性がある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In spite of years of research, the mechanisms that underlie the development
of schizophrenia, as well as its relapse, symptomatology, and treatment,
continue to be a mystery. The absence of appropriate analytic tools to deal
with the variable and complicated nature of schizophrenia may be one of the
factors that contribute to the development of this disorder. Deep learning is a
subfield of artificial intelligence that was inspired by the nervous system. In
recent years, deep learning has made it easier to model and analyse
complicated, high-dimensional, and nonlinear systems. Research on schizophrenia
is one of the many areas of study that has been revolutionised as a result of
the outstanding accuracy that deep learning algorithms have demonstrated in
classification and prediction tasks. Deep learning has the potential to become
a powerful tool for understanding the mechanisms that are at the root of
schizophrenia. In addition, a growing variety of techniques aimed at improving
model interpretability and causal reasoning are contributing to this trend.
Using multi-site fMRI data and a variety of deep learning approaches, this
study seeks to identify different types of schizophrenia. Our proposed method
of temporal aggregation of the 4D fMRI data outperforms existing work. In
addition, this study aims to shed light on the strength of connections between
various brain areas in schizophrenia individuals.
- Abstract（参考訳）: 長年の研究にもかかわらず、統合失調症の発展を支えているメカニズムと、その再発、症状学、治療は謎のままである。
統合失調症の可変かつ複雑な性質を扱うための適切な分析ツールがないことは、この障害の発達に寄与する要因の1つかもしれない。
ディープラーニング(deep learning)は、神経系に触発された人工知能のサブフィールドである。
近年、ディープラーニングにより、複雑で高次元、非線形システムのモデル化と分析が容易になっている。
統合失調症の研究は、深層学習アルゴリズムが分類と予測タスクで証明した卓越した精度の結果として、多くの分野に革命をもたらした研究の1つである。
深層学習は統合失調症の根源にあるメカニズムを理解するための強力なツールになる可能性がある。
さらに、モデル解釈可能性と因果推論を改善するための様々な技術がこの傾向に寄与している。
マルチサイトfMRIデータと様々な深層学習アプローチを用いて,統合失調症の種類を同定する。
提案手法は,4次元fMRIデータの時間的アグリゲーションが既存の作業より優れていることを示す。
この研究は、統合失調症患者における様々な脳領域間のつながりの強さに光を当てることを目的としている。
関連論文リスト
- Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
論文 参考訳（メタデータ） (2024-06-18T14:55:41Z) - 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) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Empowering Psychotherapy with Large Language Models: Cognitive
Distortion Detection through Diagnosis of Thought Prompting [82.64015366154884]
本研究では,認知的歪み検出の課題について検討し,思考の早期発見(DoT)を提案する。
DoTは、事実と思考を分離するための主観的評価、思考と矛盾する推論プロセスを引き出すための対照的な推論、認知スキーマを要約するスキーマ分析という3つの段階を通して、患者のスピーチの診断を行う。
実験により、DoTは認知的歪み検出のためのChatGPTよりも大幅に改善され、一方で人間の専門家が承認した高品質な合理性を生成することが示された。
論文 参考訳（メタデータ） (2023-10-11T02:47:21Z) - 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) - A Survey on the Role of Artificial Intelligence in the Prediction and
Diagnosis of Schizophrenia [0.0]
この調査は、統合失調症の検出と予測にディープラーニングを使うことに焦点を当てた論文をレビューすることを目的としている。
選択した検索戦略により、2019年から2022年までの10の出版物を評価しました。
全ての研究は80%以上の予測を達成した。
統合失調症に対する人工知能(AI)と機械学習(ML)の分野では、大きな進歩がなされている。
論文 参考訳（メタデータ） (2023-05-19T08:21:02Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳（メタデータ） (2023-02-23T09:22:05Z) - 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) - Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。
皮質下領域と心室は最も予測可能な脳の領域である。
論文 参考訳（メタデータ） (2022-06-26T21:44:33Z) - 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) - Meta-learning on Spectral Images of Electroencephalogram of
Schizophenics [0.0]
統合失調症 (Schizophrenia) は、思考パターン、知覚、気分、行動の変化を含む複雑な精神疾患である。
神経イメージングと機械学習アルゴリズムの進歩は統合失調症の診断を促進する。
論文 参考訳（メタデータ） (2021-01-27T20:51:25Z)
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。