論文の概要: Accounting for Temporal Variability in Functional Magnetic Resonance Imaging Improves Prediction of Intelligence

• arxiv url: http://arxiv.org/abs/2211.07429v1
• Date: Fri, 11 Nov 2022 18:48:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 21:38:38.650510
• Title: Accounting for Temporal Variability in Functional Magnetic Resonance Imaging Improves Prediction of Intelligence
• Title（参考訳）: 機能的磁気共鳴画像における時間変動の計算は知能の予測を改善する
• Authors: Yang Li, Xin Ma, Raj Sunderraman, Shihao Ji, Suprateek Kundu
• Abstract要約: 特徴選択に$L_0$正規化を組み込んだバイLSTM手法を提案する。 我々は,fMRI特徴量に基づく様々なインテリジェンス尺度に対する予測性能の詳細な比較を行った。 以上の結果から,fMRIデータの時間変動を考慮することで,優れた知能予測が達成できるという結論が得られた。
• 参考スコア（独自算出の注目度）: 6.021758830602659
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neuroimaging-based prediction methods for intelligence and cognitive abilities have seen a rapid development, while prediction based on functional connectivity (FC) has shown great promise. The overwhelming majority of literature has focused on static FC with extremely limited results available on dynamic FC or region level fMRI time series. Unlike static FC, the latter features include the temporal variability in the fMRI data. In this project, we propose a novel bi-LSTM approach that incorporates an $L_0$ regularization for feature selection. The proposed pipeline is applied to prediction based on region level fMRI time series as well as dynamic FC and implemented via an efficient algorithm. We undertake a detailed comparison of prediction performance for different intelligence measures based on fMRI features acquired from the Adolescent Brain Cognitive Development (ABCD) study. Our analysis illustrates that static FC consistently has inferior performance compared to region level fMRI time series or dynamic FC for unimodal rest and task fMRI experiments, as well as in almost all cases for multi-task analysis. The proposed pipeline based on region level time-series identifies several important brain regions that drive fluctuations in intelligence measures. Strong test-retest reliability of the selected features is reported, pointing to reproducible findings. Given the large sample size from ABCD study, our results provide conclusive evidence that superior intelligence prediction can be achieved by considering temporal variations in the fMRI data, either at the region level, or based on dynamic FC, which is one of the first such findings in literature. These results are particularly noteworthy, given the low dimensionality of the region level time series, easier interpretability, and extremely quick computation times, compared to network-based analysis.
• Abstract（参考訳）: 神経画像に基づく知能と認知能力の予測手法は急速に発展し,機能的接続(FC)に基づく予測は大きな可能性を秘めている。 文献の大部分は静的FCに焦点を当てており、動的FCや領域レベルのfMRI時系列では非常に限られた結果が得られる。 静的FCとは異なり、後者の特徴はfMRIデータにおける時間的変動である。 本稿では,特徴選択に$L_0$正規化を組み込んだバイLSTM手法を提案する。 提案パイプラインは,領域レベルのfmri時系列と動的fcに基づく予測に適用され,効率的なアルゴリズムで実装されている。 思春期脳認知発達(ABCD)研究から得られたfMRI特徴に基づいて,様々な知能測定における予測性能の詳細な比較を行った。 その結果, 静的fcは, 領域レベルのfmri時系列や動的fcと比較して, ユニモーダル・レストやタスクfmriの実験や, ほぼすべてのマルチタスク解析において, 一貫して性能が劣ることがわかった。 地域レベルでの時系列に基づくパイプラインは、知能測定のゆらぎを駆動するいくつかの重要な脳領域を特定する。 再現性のある結果を示すために, 選択された特徴の強い再検査信頼性を報告した。 ABCD 研究から得られたサンプルサイズが大きいことから,本研究では,fMRI データの時間的変動を地域レベルで,あるいは動的 FC に基づいて検討することで,優れた知能予測が達成できるという決定的な証拠を提供する。 これらの結果は、ネットワークベースの分析と比較して、領域レベルの時系列の次元が低く、解釈が容易で、計算時間が非常に速いため、特に注目に値する。

関連論文リスト

• Static and multivariate-temporal attentive fusion transformer for readmission risk prediction [9.059101159859818]
  ICU患者の短期的寛解を予測するため, SMTAFormer を新たに提案する。 提案手法の精度は最大86.6%であり,受信機動作特性曲線(AUC)の面積は最大0.717である。
  論文  参考訳（メタデータ） (2024-07-15T03:42:44Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Robust Fiber ODF Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [7.9283612449524155]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis [8.280225660612862]
  この研究はCOBREとUCLAのデータセットで検証され、平均精度は83.62%と89.71%に達した。 興味深いことに、左半球の低次知覚系と高次ネットワーク領域は、SZの右半球よりも深刻な機能障害であることがわかった。
  論文  参考訳（メタデータ） (2023-03-31T02:54:01Z)
• White Matter Tracts are Point Clouds: Neuropsychological Score Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
  ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。 各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。 Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
  論文  参考訳（メタデータ） (2022-07-06T02:03:28Z)
• GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis [25.4835612758922]
  人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。 本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。 本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
  論文  参考訳（メタデータ） (2022-03-17T02:23:30Z)
• Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey [0.0]
  ファジィ認知マップ(FCM)は、複雑なシステムの力学をモデル化し解析するためのツールとして、顕著な結果を示している。 FCMはファジィ論理、ニューラルネットワーク、エキスパートシステムの各側面の混合であり、複雑なシステムの動的挙動をシミュレーションし研究するための強力なツールとして機能する。
  論文  参考訳（メタデータ） (2022-01-07T02:11:53Z)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)

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。