論文の概要: Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes
- arxiv url: http://arxiv.org/abs/2303.09124v1
- Date: Thu, 16 Mar 2023 07:39:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 16:26:18.116879
- Title: Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes
- Title（参考訳）: 非画像表現型予測に寄与する繊維路形状計測法
- Authors: Wan Liu, Yuqian Chen, Chuyang Ye, Nikos Makris, Yogesh Rathi, Weidong
Cai, Fan Zhang, Lauren J. O' Donnell
- Abstract要約: 長さ, 直径, 伸長の3つの基本形状の特徴に着目した。
脳の大きさによる予測バイアスを低減するため、正規化形状の特徴についても検討した。
- 参考スコア（独自算出の注目度）: 13.815863556151834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neuroimaging measures of the brain's white matter connections can enable the
prediction of non-imaging phenotypes, such as demographic and cognitive
measures. Existing works have investigated traditional microstructure and
connectivity measures from diffusion MRI tractography, without considering the
shape of the connections reconstructed by tractography. In this paper, we
investigate the potential of fiber tract shape features for predicting
non-imaging phenotypes, both individually and in combination with traditional
features. We focus on three basic shape features: length, diameter, and
elongation. Two different prediction methods are used, including a traditional
regression method and a deep-learning-based prediction method. Experiments use
an efficient two-stage fusion strategy for prediction using microstructure,
connectivity, and shape measures. To reduce predictive bias due to brain size,
normalized shape features are also investigated. Experimental results on the
Human Connectome Project (HCP) young adult dataset (n=1065) demonstrate that
individual shape features are predictive of non-imaging phenotypes. When
combined with microstructure and connectivity features, shape features
significantly improve performance for predicting the cognitive score TPVT (NIH
Toolbox picture vocabulary test). Overall, this study demonstrates that the
shape of fiber tracts contains useful information for the description and study
of the living human brain using machine learning.
- Abstract（参考訳）: 脳の白質結合の神経画像計測は、人口統計学的および認知的尺度のような非画像表現型の予測を可能にする。
既存の研究は, トラクトグラフィーで再構成した接続の形状を考慮せずに, 拡散MRIによる従来の微細構造と接続性について検討してきた。
本稿では, 従来の特徴と組み合わせて, 非画像表現型を予測するための繊維路形状特徴の可能性について検討する。
長さ, 直径, 伸長の3つの基本形状の特徴に着目した。
従来の回帰法とディープラーニングに基づく予測法を含む2つの異なる予測法が用いられている。
実験では、ミクロ構造、接続性、形状測定を用いた予測に効率的な2段階融合戦略を用いる。
脳の大きさによる予測バイアスを低減するため、正規化形状の特徴についても検討した。
ヒトコネクトームプロジェクト(hcp)の若年成人データセット(n=1065)における実験結果は、個々の形状特徴が非画像表現型の予測であることを示している。
微細構造や接続機能と組み合わせると、形状特徴は認知スコアtpvt (nih toolbox picture vocabulary test) の予測性能を大幅に向上させる。
本研究は, 繊維の形状が, 機械学習を用いた生体脳の記述と研究に有用な情報を含んでいることを示した。
関連論文リスト
- Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳（メタデータ） (2023-01-07T18:36:44Z) - A Novel Supervised Contrastive Regression Framework for Prediction of
Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI
Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。
SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。
SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文 参考訳（メタデータ） (2022-10-13T23:24:12Z) - Brain Cortical Functional Gradients Predict Cortical Folding Patterns
via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。
実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-05-21T14:08:53Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - A Prior Guided Adversarial Representation Learning and Hypergraph
Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease [29.30199956567813]
アルツハイマー病は、脳の構造的および機能的接続の変化によって特徴づけられる。
PGARL-HPNは、三重モードの医療画像を用いて異常な脳の接続を予測する。
論文 参考訳（メタデータ） (2021-10-12T03:10:37Z) - A Comparative Study of Machine Learning Methods for Predicting the
Evolution of Brain Connectivity from a Baseline Timepoint [0.0]
コネクトームとも呼ばれる脳ネットワークの進化を予測することで、接続に関連する神経疾患を早期に発見することができる。
私たちはKaggleコンペティションを開催し、20の競合チームが単一の時間ポイントから脳の接続性進化を予測するための高度な機械学習パイプラインを設計しました。
論文 参考訳（メタデータ） (2021-09-16T06:13:49Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - Anatomical Predictions using Subject-Specific Medical Data [7.635279671482444]
個人の脳MRIが時間とともにどのように変化するかを予測する手法を提案する。
予測変形場が与えられると、ベースラインスキャンをワープして、将来脳スキャンの予測を行うことができる。
論文 参考訳（メタデータ） (2020-05-29T21:30:46Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳（メタデータ） (2020-02-29T18:49:45Z)
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。