論文の概要: Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis
- arxiv url: http://arxiv.org/abs/2305.10754v1
- Date: Thu, 18 May 2023 06:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 16:32:59.143198
- Title: Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis
- Title（参考訳）: 関数拡散ガンを用いたマルチレゾリューション時空間強化変圧器による脳のmci解析
- Authors: Qiankun Zuo, Chi-Man Pun, Yudong Zhang, Hongfei Wang, Jin Hong
- Abstract要約: 効果的な接続性は、脳領域間の因果パターンを記述することができる。
これらのパターンは、病態のメカニズムを明らかにし、早期診断と認知疾患に対する効果的な薬物開発を促進する可能性がある。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知障害(MCI)解析に有効な接続性に変換するために,新しいマルチレゾリューションStemporal Enhanced Transformer Denoising Networkを提案する。
- 参考スコア（独自算出の注目度）: 46.04319515616324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective connectivity can describe the causal patterns among brain regions.
These patterns have the potential to reveal the pathological mechanism and
promote early diagnosis and effective drug development for cognitive disease.
However, the current studies mainly focus on using empirical functional time
series to calculate effective connections, which may not comprehensively
capture the complex causal relationships between brain regions. In this paper,
a novel Multi-resolution Spatiotemporal Enhanced Transformer Denoising (MSETD)
network with an adversarially functional diffusion model is proposed to map
functional magnetic resonance imaging (fMRI) into effective connectivity for
mild cognitive impairment (MCI) analysis. To be specific, the denoising
framework leverages a conditional diffusion process that progressively
translates the noise and conditioning fMRI to effective connectivity in an
end-to-end manner. To ensure reverse diffusion quality and diversity, the
multi-resolution enhanced transformer generator is designed to extract local
and global spatiotemporal features. Furthermore, a multi-scale diffusive
transformer discriminator is devised to capture the temporal patterns at
different scales for generation stability. Evaluations of the ADNI datasets
demonstrate the feasibility and efficacy of the proposed model. The proposed
model not only achieves superior prediction performance compared with other
competing methods but also identifies MCI-related causal connections that are
consistent with clinical studies.
- Abstract（参考訳）: 効果的なコネクティビティは、脳領域間の因果パターンを記述できる。
これらのパターンは、病態のメカニズムを明らかにし、認知疾患の早期診断と効果的な薬物開発を促進する可能性を秘めている。
しかし,本研究は,脳領域間の複雑な因果関係を包括的に捉えない効果的な接続関係の計算に,経験的関数時系列を用いることに重点を置いている。
本稿では,機能的磁気共鳴画像(fMRI)を軽度認知機能障害(MCI)解析に有効な接続性にマッピングするために,逆機能拡散モデルを用いたマルチレゾリューション時空間変換器デノイング(MSETD)ネットワークを提案する。
具体的には、ノイズやコンディショニングfmriをエンドツーエンドで効果的な接続に段階的に変換する条件付き拡散プロセスを利用する。
逆拡散品質と多様性を確保するため、多分解能強化トランスジェネレータは局所的および大域的時空間的特徴を抽出するように設計されている。
さらに,複数スケールの拡散型変圧器判別器を考案し,その時間パターンを異なるスケールで捉えて生成安定性を図る。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
提案モデルは他の競合法と比較して優れた予測性能を実現するだけでなく,臨床研究と一致するmci関連因果関係を同定する。
関連論文リスト
- Brain Network Diffusion-Driven fMRI Connectivity Augmentation for Enhanced Autism Spectrum Disorder Diagnosis [12.677178802864029]
fMRIデータ取得とラベル付けのコストが高いため、fMRIデータの量は少ないことが多い。
生成モデル、特に拡散モデルの増加に伴い、実際のデータ分布に近い現実的なサンプルを生成する能力は、データ拡張に広く利用されている。
論文 参考訳（メタデータ） (2024-09-11T08:02:57Z) - 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) - BDHT: Generative AI Enables Causality Analysis for Mild Cognitive Impairment [34.60961915466469]
軽度認知障害 (MCI) 解析に有効な接続性を推定するために, 階層型トランスフォーマー (BDHT) を用いた脳ディフューザを提案する。
提案手法は,既存手法に比べて精度と頑健性に優れる。
論文 参考訳（メタデータ） (2023-12-14T15:12:00Z) - Alzheimer's Disease Prediction via Brain Structural-Functional Deep
Fusing Network [5.945843237682432]
機能的および構造的情報を融合するために, クロスモーダルトランスフォーマー生成対向ネットワーク (CT-GAN) を提案する。
生成した接続特性を解析することにより,AD関連脳の接続を同定することができる。
パブリックADNIデータセットの評価から,提案したCT-GANは予測性能を劇的に向上し,AD関連脳領域を効果的に検出できることが示された。
論文 参考訳（メタデータ） (2023-09-28T07:06:42Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳（メタデータ） (2023-09-28T06:55:50Z) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-16T05:22:25Z) - The role of noise in denoising models for anomaly detection in medical
images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。
正規データのみを用いた教師なし異常検出手法が提案されている。
空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文 参考訳（メタデータ） (2023-01-19T21:39:38Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-09-29T21:17:16Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。