論文の概要: Brain Structure-Function Fusing Representation Learning using
Adversarial Decomposed-VAE for Analyzing MCI
- arxiv url: http://arxiv.org/abs/2305.14404v1
- Date: Tue, 23 May 2023 11:19:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 00:27:28.080283
- Title: Brain Structure-Function Fusing Representation Learning using
Adversarial Decomposed-VAE for Analyzing MCI
- Title(参考訳): mci解析のための逆分解型vaeを用いた脳構造関数fusing表現学習
- Authors: Qiankun Zuo, Baiying Lei, Ning Zhong, Yi Pan, Shuqiang Wang
- Abstract要約: fMRI画像から融合表現を学習するために,新しい脳構造関数Fusing-Representation Learning (BSFL)モデルを提案する。
提案モデルは,軽度認知障害(MCI)の予測と解析において,他の競合手法よりも優れた性能を実現する。
このモデルは、統合された脳ネットワークを再構築し、MCIの変性過程中に異常な接続を予測するための潜在的なツールとなるかもしれない。
- 参考スコア(独自算出の注目度): 17.757114703434027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating the brain structural and functional connectivity features is of
great significance in both exploring brain science and analyzing cognitive
impairment clinically. However, it remains a challenge to effectively fuse
structural and functional features in exploring the brain network. In this
paper, a novel brain structure-function fusing-representation learning (BSFL)
model is proposed to effectively learn fused representation from diffusion
tensor imaging (DTI) and resting-state functional magnetic resonance imaging
(fMRI) for mild cognitive impairment (MCI) analysis. Specifically, the
decomposition-fusion framework is developed to first decompose the feature
space into the union of the uniform and the unique spaces for each modality,
and then adaptively fuse the decomposed features to learn MCI-related
representation. Moreover, a knowledge-aware transformer module is designed to
automatically capture local and global connectivity features throughout the
brain. Also, a uniform-unique contrastive loss is further devised to make the
decomposition more effective and enhance the complementarity of structural and
functional features. The extensive experiments demonstrate that the proposed
model achieves better performance than other competitive methods in predicting
and analyzing MCI. More importantly, the proposed model could be a potential
tool for reconstructing unified brain networks and predicting abnormal
connections during the degenerative processes in MCI.
- Abstract(参考訳): 脳の構造と機能の統合は、脳科学の探求と臨床における認知障害の分析において非常に重要である。
しかし、脳ネットワークの探索において、構造的および機能的特徴を効果的に融合させることは依然として課題である。
本稿では、拡散テンソルイメージング(DTI)と静止状態機能的磁気共鳴画像(fMRI)から融合表現を効果的に学習し、軽度認知障害(MCI)解析のための新しい脳構造-機能フリング表現学習(BSFL)モデルを提案する。
具体的には、分解融合フレームワークは、まず、各モジュラリティに対する一様空間と一様空間の結合に特徴空間を分解し、次に分解された特徴を適応的に融合してMCI関連表現を学ぶ。
さらに、知識認識トランスフォーマーモジュールは、脳全体のローカルおよびグローバル接続機能を自動キャプチャするように設計されている。
また, 分解をより効果的にし, 構造的, 機能的特徴の相補性を高めるために, 均一なコントラスト損失がさらに考案された。
提案手法は,MCIの予測と解析において,他の競合手法よりも優れた性能を示す。
さらに重要なことは、提案されたモデルは、統合された脳ネットワークを再構築し、MCIの変性過程における異常な接続を予測する潜在的なツールとなる可能性がある。
関連論文リスト
- fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - 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) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳(メタデータ) (2023-06-20T08:38:17Z) - 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) - Multi-resolution Spatiotemporal Enhanced Transformer Denoising with
Functional Diffusive GANs for Constructing Brain Effective Connectivity in
MCI analysis [46.04319515616324]
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。
論文 参考訳(メタデータ) (2023-05-18T06:54:56Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Cross-Modal Transformer GAN: A Brain Structure-Function Deep Fusing
Framework for Alzheimer's Disease [5.608783790624866]
異なる種類の神経画像データの相互融合は、アルツハイマー病(AD)の進行を予測する大きな可能性を示している
本研究では, 静止機能型磁気共鳴画像(rs-fMRI)に含まれる機能情報と拡散イメージング(DTI)に含まれる構造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生成逆数ネットワーク(CT-GAN)を提案する。
提案モデルでは,分類性能の向上だけでなく,AD関連脳の接続性も効果的に検出できる。
論文 参考訳(メタデータ) (2022-06-20T11:38:55Z) - 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) - 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)
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。