論文の概要: Spatio-Temporal Attention in Multi-Granular Brain Chronnectomes for Detection of Autism Spectrum Disorder

• arxiv url: http://arxiv.org/abs/2211.07360v1
• Date: Sun, 30 Oct 2022 01:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-20 13:58:35.848745
• Title: Spatio-Temporal Attention in Multi-Granular Brain Chronnectomes for Detection of Autism Spectrum Disorder
• Title（参考訳）: 自閉症スペクトラム障害検出のための多頭脳内クロネクトームの時空間的注意
• Authors: James Orme-Rogers and Ajitesh Srivastava
• Abstract要約: グラフベースの学習技術は、静止状態機能型磁気共鳴画像(rs-fMRI)データに顕著な結果を示している。 IMAGINの5倍のクロスバリデーション精度は79.25%であり、現在の最先端を1.5%上回る。
• 参考スコア（独自算出の注目度）: 5.908259551646475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The traditional methods for detecting autism spectrum disorder (ASD) are expensive, subjective, and time-consuming, often taking years for a diagnosis, with many children growing well into adolescence and even adulthood before finally confirming the disorder. Recently, graph-based learning techniques have demonstrated impressive results on resting-state functional magnetic resonance imaging (rs-fMRI) data from the Autism Brain Imaging Data Exchange (ABIDE). We introduce IMAGIN, a multI-granular, Multi-Atlas spatio-temporal attention Graph Isomorphism Network, which we use to learn graph representations of dynamic functional brain connectivity (chronnectome), as opposed to static connectivity (connectome). The experimental results demonstrate that IMAGIN achieves a 5-fold cross-validation accuracy of 79.25%, which surpasses the current state-of-the-art by 1.5%. In addition, analysis of the spatial and temporal attention scores provides further validation for the neural basis of autism.
• Abstract（参考訳）: 自閉症スペクトラム障害(asd)を検出する伝統的な方法は高価、主観的、時間的であり、診断には何年もかかることが多い。 近年,Autism Brain Imaging Data Exchange (ABIDE) の静止状態機能型磁気共鳴画像(rs-fMRI)データに対して,グラフベースの学習技術が顕著な成果を上げている。 我々は、動的機能的脳結合(クロネクトーム)のグラフ表現を静的接続(コネクトーム)とは対照的に学習するために使用する、MultI-granular, Multi-Atlas spatio-temporal attention Graph Isomorphism Networkを紹介する。 実験の結果、イマジンは5倍のクロスバリデーション精度を79.25%達成し、現在の最先端を1.5%上回った。 さらに、空間的および時間的注意点の分析は、自閉症の神経基盤のさらなる検証を提供する。

関連論文リスト

• Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
  マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。 提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。 両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
  論文  参考訳（メタデータ） (2024-09-22T01:23:46Z)
• Early Autism Diagnosis based on Path Signature and Siamese Unsupervised Feature Compressor [15.39635888144281]
  我々は, 早期自閉症診断のための, 未分化, クラス不均衡, 異種構造MR画像から重要な特徴を抽出する, 深層学習に基づく新しい手法を考案した。 具体的には、不足データを拡張するためのシームズ検証フレームワークと、データ不均衡を軽減するための教師なし圧縮機を提案する。
  論文  参考訳（メタデータ） (2023-07-12T22:08:22Z)
• 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)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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)
• Classification of ADHD Patients by Kernel Hierarchical Extreme Learning Machine [4.168157981135698]
  我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。 本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。 提案手法は既存の方法よりも優れた分類結果を得た。
  論文  参考訳（メタデータ） (2022-02-18T01:32:55Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Early Autism Spectrum Disorders Diagnosis Using Eye-Tracking Technology [62.997667081978825]
  資金不足、資格のある専門家の欠如、そして修正方法に対する信頼度の低いことが、AMDのリアルタイム診断に影響を及ぼす主要な問題である。 我々のチームは、子どもの視線活動の情報に基づいて、ALDの確率を予測するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-08-21T20:22:55Z)
• A Convolutional Neural Network for gaze preference detection: A potential tool for diagnostics of autism spectrum disorder in children [0.0]
  本稿では,1分間の刺激映像から抽出した画像を用いた視線予測のための畳み込みニューラルネットワーク(CNN)アルゴリズムを提案する。 本モデルでは,被検者の視線方向の予測に高い精度とロバスト性を実現した。
  論文  参考訳（メタデータ） (2020-07-28T18:47:21Z)
• 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
  ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
  論文  参考訳（メタデータ） (2020-04-21T17:19:06Z)

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。