論文の概要: A Structure-guided Effective and Temporal-lag Connectivity Network for
Revealing Brain Disorder Mechanisms
- arxiv url: http://arxiv.org/abs/2212.00555v1
- Date: Thu, 1 Dec 2022 15:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 17:15:10.712178
- Title: A Structure-guided Effective and Temporal-lag Connectivity Network for
Revealing Brain Disorder Mechanisms
- Title（参考訳）: 構造誘導型能動・時差接続ネットワークによる脳障害メカニズムの解明
- Authors: Zhengwang Xia, Tao Zhou, Saqib Mamoon, Amani Alfakih, Jianfeng Lu
- Abstract要約: 本研究では,脳領域間の因果関係と時間ラグ値の推測に有効な時間ラグニューラルネットワーク(termedN)を提案する。
アルツハイマー病神経画像イニシアチブ(ADNI)データベースにおける評価結果は,提案手法の有効性を示すものである。
- 参考スコア（独自算出の注目度）: 8.459311736323572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain network provides important insights for the diagnosis of many brain
disorders, and how to effectively model the brain structure has become one of
the core issues in the domain of brain imaging analysis. Recently, various
computational methods have been proposed to estimate the causal relationship
(i.e., effective connectivity) between brain regions. Compared with traditional
correlation-based methods, effective connectivity can provide the direction of
information flow, which may provide additional information for the diagnosis of
brain diseases. However, existing methods either ignore the fact that there is
a temporal-lag in the information transmission across brain regions, or simply
set the temporal-lag value between all brain regions to a fixed value. To
overcome these issues, we design an effective temporal-lag neural network
(termed ETLN) to simultaneously infer the causal relationships and the
temporal-lag values between brain regions, which can be trained in an
end-to-end manner. In addition, we also introduce three mechanisms to better
guide the modeling of brain networks. The evaluation results on the Alzheimer's
Disease Neuroimaging Initiative (ADNI) database demonstrate the effectiveness
of the proposed method.
- Abstract（参考訳）: 脳ネットワークは多くの脳疾患の診断に重要な洞察を与え、脳構造を効果的にモデル化する方法は、脳画像解析の領域における重要な問題の一つとなっている。
近年,脳領域間の因果関係(効果的な接続性)を推定するために,様々な計算手法が提案されている。
従来の相関に基づく手法と比較して、効果的な接続は情報の流れの方向を与え、脳疾患の診断に付加的な情報を与えることができる。
しかし、既存の手法では、脳領域間の情報伝達に時間ラグがあるという事実を無視するか、単にすべての脳領域間の時間ラグ値を固定値に設定する。
これらの問題を克服するために,脳領域間の因果関係と時間的ラグ値を同時に推測する効果的な時間的ラグニューラルネットワーク(etln)を設計する。
さらに,脳ネットワークのモデリングの指針となる3つのメカニズムについても紹介する。
アルツハイマー病神経画像イニシアチブ(ADNI)データベースにおける評価結果は,提案手法の有効性を示すものである。
関連論文リスト
- D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。
我々は脳の接続性を改善するための識別可能なモジュールを開発した。
実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2024-05-28T23:49:52Z) - 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) - BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - BrainNetDiff: Generative AI Empowers Brain Network Generation via
Multimodal Diffusion Model [7.894526238189559]
我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。
健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
論文 参考訳（メタデータ） (2023-11-09T08:27:12Z) - 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) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文 参考訳（メタデータ） (2023-03-11T14:04:58Z) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳（メタデータ） (2022-10-08T12:14:33Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph
Evaluation Trajectory [0.0]
脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。
最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。
本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
論文 参考訳（メタデータ） (2021-10-06T09:25:55Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z)
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。