論文の概要: Self-attention based high order sequence feature reconstruction of
dynamic functional connectivity networks with rs-fMRI for brain disease
classification
- arxiv url: http://arxiv.org/abs/2211.11750v1
- Date: Sat, 19 Nov 2022 02:13:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 19:33:18.459914
- Title: Self-attention based high order sequence feature reconstruction of
dynamic functional connectivity networks with rs-fMRI for brain disease
classification
- Title(参考訳): 脳疾患分類のためのrs-fMRIを用いた動的機能接続ネットワークの自己注意に基づく高次機能再構成
- Authors: Zhixiang Zhang, Biao Jie, Zhengdong Wang, Jie Zhou, Yang Yang
- Abstract要約: 本稿では,RS-fMRIデータを用いた脳疾患分類のための自己注意型畳み込みリカレントネットワーク(SA-CRN)学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 16.8590450689469
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dynamic functional connectivity networks (dFCN) based on rs-fMRI have
demonstrated tremendous potential for brain function analysis and brain disease
classification. Recently, studies have applied deep learning techniques (i.e.,
convolutional neural network, CNN) to dFCN classification, and achieved better
performance than the traditional machine learning methods. Nevertheless,
previous deep learning methods usually perform successive convolutional
operations on the input dFCNs to obtain high-order brain network aggregation
features, extracting them from each sliding window using a series split, which
may neglect non-linear correlations among different regions and the
sequentiality of information. Thus, important high-order sequence information
of dFCNs, which could further improve the classification performance, is
ignored in these studies. Nowadays, inspired by the great success of
Transformer in natural language processing and computer vision, some latest
work has also emerged on the application of Transformer for brain disease
diagnosis based on rs-fMRI data. Although Transformer is capable of capturing
non-linear correlations, it lacks accounting for capturing local spatial
feature patterns and modelling the temporal dimension due to parallel
computing, even equipped with a positional encoding technique. To address these
issues, we propose a self-attention (SA) based convolutional recurrent network
(SA-CRN) learning framework for brain disease classification with rs-fMRI data.
The experimental results on a public dataset (i.e., ADNI) demonstrate the
effectiveness of our proposed SA-CRN method.
- Abstract(参考訳): rs-fMRIに基づく動的機能接続ネットワーク(dFCN)は脳機能解析や脳疾患の分類において大きな可能性を示唆している。
近年,ディープラーニング技術(畳み込みニューラルネットワーク,CNN)をdFCN分類に適用し,従来の機械学習手法よりも優れた性能を実現している。
それにもかかわらず、従来のディープラーニング手法では、入力されたdFCN上で連続的な畳み込み操作を行い、高次脳ネットワーク集約機能を取得し、各スライディングウィンドウから一連のスプリットを用いてそれらを抽出し、異なる領域間の非線形相関や情報のシーケンシャル性を無視する。
そこで本研究では, 分類性能をさらに向上できる重要なdFCNの高次配列情報を無視する。
近年,自然言語処理とコンピュータビジョンにおけるtransformerの偉大な成功に触発され,rs-fmriデータに基づく脳疾患診断へのtransformerの適用に関する最新の研究も行われている。
Transformerは非線形相関を捉えることができるが、局所的な空間的特徴パターンのキャプチャや並列コンピューティングによる時間次元のモデル化は、位置符号化技術も備えていない。
これらの課題に対処するために, RS-fMRIデータを用いた脳疾患分類のための自己注意型畳み込みリカレントネットワーク(SA-CRN)学習フレームワークを提案する。
公開データセット(ADNI)における実験結果は,提案手法の有効性を示すものである。
関連論文リスト
- An Association Test Based on Kernel-Based Neural Networks for Complex
Genetic Association Analysis [0.8221435109014762]
従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。
MINQUEに基づく遺伝子変異と表現型との結合性を評価する試験。
線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験。
論文 参考訳(メタデータ) (2023-12-06T05:02:28Z) - Neural oscillators for magnetic hysteresis modeling [0.7444373636055321]
ヒステリシスは科学と工学においてユビキタスな現象である。
この現象をモデル化し定量化するために, 常微分方程式に基づくリカレントニューラルネットワーク (RNN) 手法を開発した。
論文 参考訳(メタデータ) (2023-08-23T08:41:24Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification [6.701251840474303]
自閉症スペクトラム障害(ASD)識別のための動的脳内FCネットワークのトポロジカル構造を学習するための深い確率的枠組みが提案されている。
提案するフレームワークは,動的FCネットワークをまたいだリッチテンポラルパターンを捕捉する空間認識型リカレントニューラルネットワークと,学習したパターンを対象レベルの分類に活用する完全適合型ニューラルネットワークを備えている。
静止状態機能型磁気共鳴画像データセットの評価により,ASDの同定において,我々のフレームワークは最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-14T18:42:17Z) - Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks [69.42260428921436]
クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:13:36Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - Spiking Neural Networks -- Part II: Detecting Spatio-Temporal Patterns [38.518936229794214]
スパイキングニューラルネットワーク(SNN)は、符号化された時間信号で情報を検出するユニークな能力を持つ。
SNNをリカレントニューラルネットワーク(RNN)とみなす支配的アプローチのためのモデルとトレーニングアルゴリズムについてレビューする。
スパイキングニューロンの確率モデルに頼り、勾配推定による局所学習規則の導出を可能にする別のアプローチについて述べる。
論文 参考訳(メタデータ) (2020-10-27T11:47:42Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Recurrent Neural Network Learning of Performance and Intrinsic
Population Dynamics from Sparse Neural Data [77.92736596690297]
本稿では,RNNの入出力動作だけでなく,内部ネットワークのダイナミクスも学習できる新しいトレーニング戦略を提案する。
提案手法は、RNNを訓練し、生理学的にインスパイアされた神経モデルの内部ダイナミクスと出力信号を同時に再現する。
注目すべきは、トレーニングアルゴリズムがニューロンの小さなサブセットの活性に依存する場合であっても、内部動力学の再現が成功することである。
論文 参考訳(メタデータ) (2020-05-05T14:16:54Z)
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。