論文の概要: Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes
- arxiv url: http://arxiv.org/abs/2303.09124v2
- Date: Sat, 20 May 2023 15:22:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 03:40:30.842637
- 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
- The shape of the brain's connections is predictive of cognitive performance: an explainable machine learning study [40.03957000152382]
dMRIトラクトグラフィー由来の形状の変動が、個体間での脳の機能的変動と関係しているかどうかは不明である。
本研究は, トラクトログラフィー・ファイバ・クラスタ形状測定を応用し, 被験者固有の認知能力を予測することの可能性を探る。
論文 参考訳(メタデータ) (2024-10-19T13:43:51Z) - 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) - Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。
異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
論文 参考訳(メタデータ) (2024-03-29T07:16:34Z) - Cross-domain Fiber Cluster Shape Analysis for Language Performance Cognitive Score Prediction [41.018326648532586]
脳画像における形状解析は、人間の脳の構造と機能の相関を解釈するのに役立ちます。
拡散磁気共鳴画像(dMRI)による脳の3D点配列の再構成を行った。
本稿では,マルチヘッド型クロスアテンション機能融合モジュールを利用して,対象言語の性能を予測する新しいフレームワーク,シェイプフューズファイバクラスタトランス (SFFormer) を提案する。
論文 参考訳(メタデータ) (2024-03-27T20:51:02Z) - PheME: A deep ensemble framework for improving phenotype prediction from
multi-modal data [42.56953523499849]
PheMEは, 構造化EHRのマルチモーダルデータを用いたアンサンブル・フレームワークであり, 非構造化臨床ノートを用いて, 正確なフェノタイプ予測を行う。
我々はアンサンブル学習を活用し、単一モーダルモデルと多モーダルモデルからの出力を組み合わせて表現型予測を改善する。
論文 参考訳(メタデータ) (2023-03-19T23:41:04Z) - 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) - 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) - 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)
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。