論文の概要: Predicting Brain Age using Transferable coVariance Neural Networks

• arxiv url: http://arxiv.org/abs/2210.16363v1
• Date: Fri, 28 Oct 2022 18:58:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 19:14:36.804168
• Title: Predicting Brain Age using Transferable coVariance Neural Networks
• Title（参考訳）: 移動可能共分散ニューラルネットワークによる脳年齢予測
• Authors: Saurabh Sihag, Gonzalo Mateos, Corey McMillan, Alejandro Ribeiro
• Abstract要約: 我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
• 参考スコア（独自算出の注目度）: 119.45320143101381
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The deviation between chronological age and biological age is a well-recognized biomarker associated with cognitive decline and neurodegeneration. Age-related and pathology-driven changes to brain structure are captured by various neuroimaging modalities. These datasets are characterized by high dimensionality as well as collinearity, hence applications of graph neural networks in neuroimaging research routinely use sample covariance matrices as graphs. We have recently studied covariance neural networks (VNNs) that operate on sample covariance matrices using the architecture derived from graph convolutional networks, and we showed VNNs enjoy significant advantages over traditional data analysis approaches. In this paper, we demonstrate the utility of VNNs in inferring brain age using cortical thickness data. Furthermore, our results show that VNNs exhibit multi-scale and multi-site transferability for inferring {brain age}. In the context of brain age in Alzheimer's disease (AD), our experiments show that i) VNN outputs are interpretable as brain age predicted using VNNs is significantly elevated for AD with respect to healthy subjects for different datasets; and ii) VNNs can be transferable, i.e., VNNs trained on one dataset can be transferred to another dataset with different dimensions without retraining for brain age prediction.
• Abstract（参考訳）: 年齢と生物学的年齢の偏差は認知的低下と神経変性にともなうバイオマーカーである。 加齢と病理による脳構造の変化は、様々な神経画像モダリティによって捉えられる。 これらのデータセットは高次元性やコリニアリティによって特徴づけられるため、ニューロイメージング研究におけるグラフニューラルネットワークの適用は、サンプル共分散行列をグラフとして常用する。 我々は最近,グラフ畳み込みネットワークから派生したアーキテクチャを用いてサンプル共分散行列を操作する共分散ニューラルネットワーク(vnn)の研究を行い,vnnが従来のデータ解析手法よりも大きなアドバンテージを享受することを示した。 本稿では,皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 さらに,VNNは脳年齢を推定するためのマルチスケールおよびマルチサイト転送性を示した。 アルツハイマー病(ad)における脳年齢の文脈において、我々の実験は、 i)vnn出力は、vnnで予測される脳年齢と解釈可能であり、異なるデータセットの健常者に対するadは有意に上昇する。 ii)VNNは転送可能、すなわち、あるデータセットでトレーニングされたVNNは、脳年齢予測のために再トレーニングすることなく、異なる次元のデータセットに転送することができる。

関連論文リスト

• TAVRNN: Temporal Attention-enhanced Variational Graph RNN Captures Neural Dynamics and Behavior [2.5282283486446757]
  時間注意強調変動グラフリカレントニューラルネットワーク(TAVRNN)について紹介する。 TAVRNNは、神経活動のシーケンシャルスナップショットをモデル化することにより、ネットワーク構造の時間的変化をキャプチャする。 TAVRNNは,分類,クラスタリング,計算効率において,従来のベースラインモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-01T13:19:51Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• 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)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• Comparing SNNs and RNNs on Neuromorphic Vision Datasets: Similarities and Differences [36.82069150045153]
  スパイキングニューラルネットワーク(SNN)とリカレントニューラルネットワーク(RNN)は、ニューロモルフィックデータに基づいてベンチマークされる。 本研究では,SNNとRNNをニューロモルフィックデータと比較するための系統的研究を行う。
  論文  参考訳（メタデータ） (2020-05-02T10:19:37Z)

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。