Fugu-MT 論文翻訳(概要): Brain Effective Connectome based on fMRI and DTI Data: Bayesian Causal Learning and Assessment

論文の概要: Brain Effective Connectome based on fMRI and DTI Data: Bayesian Causal Learning and Assessment

arxiv url: http://arxiv.org/abs/2302.05451v1
Date: Fri, 10 Feb 2023 22:47:06 GMT
ステータス: 処理完了
システム内更新日: 2023-02-14 20:14:00.271950
Title: Brain Effective Connectome based on fMRI and DTI Data: Bayesian Causal Learning and Assessment
Title（参考訳）: fMRIとDTIデータに基づく脳効果コネクトーム:ベイジアン因果学習と評価
Authors: Abdolmahdi Bagheri, Mahdi Dehshiri, Yamin Bagheri, Alireza Akhondi-Asl, Babak Nadjar Araabi
Abstract要約: 現在のEC発見法は、fMRIデータの短いサンプルサイズと時間分解能に制約されている。我々は,EC発見の最も信頼性が高く正確な方法として,ベイズカジュアルな2つの発見フレームワークを紹介した。
参考スコア（独自算出の注目度）: 1.5699418622016945
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The ambitious goal of neuroscientific studies is to find an accurate and reliable brain Effective Connectome (EC). Although current EC discovery methods have contributed to our understanding of brain organization, their performances are severely constrained by the short sample size and poor temporal resolution of fMRI data, and high dimensionality of the brain connectome. By leveraging the DTI data as prior knowledge, we introduce two Bayesian casual discovery frameworks -- the Bayesian GOLEM (BGOLEM) and Bayesian FGES (BFGES) methods -- as the most reliable and accurate methods in discovering EC that address the shortcomings of the current causal discovery methods in discovering ECs based on only fMRI data. Through a series of simulation studies on synthetic and hybrid (DTI of the Human Connectome Project (HCP) subjects and synthetic fMRI) data, we first demonstrate the effectiveness and importance of the proposed methods in discovering EC. We also introduce the Pseudo False Discovery Rate (PFDR) as a new accuracy metric for causal discovery in the brain and show that our Bayesian methods achieve higher accuracy than traditional methods on empirical data (DTI and fMRI of the Human Connectome Project (HCP) subjects). Additionally, we measure the reliability of discovered ECs using the Rogers-Tanimoto index for test-retest data and show that our Bayesian methods provide significantly more reproducible ECs compared to traditional methods.
Abstract（参考訳）: 神経科学研究の野心的な目標は、正確で信頼性の高い脳効果コネクトーム(EC)を見つけることである。現在の心電図発見法は脳組織の理解に寄与しているが,fMRIデータの短いサンプルサイズと時間分解能,脳コネクトームの高次元性により,その性能は著しく制約されている。 DTIデータを事前の知識として活用することにより、fMRIデータのみに基づくECの発見における現在の因果発見手法の欠点に対処する最も信頼性が高く正確な方法として、ベイズ的GOLEM(BGOLEM)とベイズ的FGES(BFGES)の2つのカジュアル発見フレームワークを導入する。人工およびハイブリッド(ヒトコネクトームプロジェクト(hcp)被験者のdti)データと合成fmriデータに関する一連のシミュレーション研究を通じて,ecの発見における提案手法の有効性と重要性を実証した。我々はまた、Pseudo False Discovery Rate (PFDR) を脳の因果発見のための新しい精度指標として導入し、ベイズ法が従来の経験的データ(Human Connectome Project (HCP) のDTI法とfMRI法よりも高い精度を達成することを示す。さらに,rogers-tanimotoインデックスを用いて検出されたecsの信頼性を測定し,従来の手法に比べてベイズ法の方が再現性が高いことを示す。

関連論文リスト

Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文参考訳（メタデータ） (2024-09-11T11:12:26Z)
A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文参考訳（メタデータ） (2023-09-21T08:53:51Z)
Discovering Dynamic Effective Connectome of Brain with Bayesian Dynamic DAG Learning [6.955540664243645]
動的有効コネクトーム(DEC)の発見における課題に対処するために,M-行列による動的DAG学習を導入する。提案手法は2つの主要な課題に対処可能であり,従来の手法に比べて正確で信頼性の高いDECが得られることを示す。
論文参考訳（メタデータ） (2023-09-07T22:54:06Z)
Electroencephalography and mild cognitive impairment research: A scoping review and bibliometric analysis (ScoRBA) [0.0]
軽度認知障害(MCI)はしばしばアルツハイマー病(AD)の前駆者と見なされる EEGは低コストで時間分解能が優れているため、研究者の間では最も人気があり、頻繁に使用されるツールである。
論文参考訳（メタデータ） (2022-11-01T06:52:19Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
A novel method for Causal Structure Discovery from EHR data, a demonstration on type-2 diabetes mellitus [3.8171820752218997]
本稿では,新しいデータ変換手法と新しい因果構造探索アルゴリズムを提案する。提案手法を2型糖尿病に適用した。
論文参考訳（メタデータ） (2020-11-11T00:50:04Z)
COVI-AgentSim: an Agent-based Model for Evaluating Methods of Digital Contact Tracing [68.68882022019272]
COVI-AgentSimは、ウイルス学、病気の進行、社会的接触ネットワーク、移動パターンに基づくエージェントベースのコンパートメンタルシミュレータである。 1)バイナリテスト結果に基づいてバイナリレコメンデーションを割り当てる標準バイナリコンタクトトレース (BCT) と,2) 多様な特徴に基づいてグレードレベルのレコメンデーションを割り当てる特徴ベースコンタクトトレース (FCT) のルールベースの手法である。
論文参考訳（メタデータ） (2020-10-30T00:47:01Z)
Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。この現象は脳波(EEG)などの臨床関連データに特に問題となる。ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文参考訳（メタデータ） (2020-07-31T14:34:47Z)
Classification and Recognition of Encrypted EEG Data Neural Network [10.171935814743678]
ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。 EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
論文参考訳（メタデータ） (2020-06-15T04:21:23Z)
Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。 0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文参考訳（メタデータ） (2020-05-02T10:03:40Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。