論文の概要: Deep Variational Lesion-Deficit Mapping
- arxiv url: http://arxiv.org/abs/2305.17478v1
- Date: Sat, 27 May 2023 13:49:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 18:56:37.519377
- Title: Deep Variational Lesion-Deficit Mapping
- Title（参考訳）: 深部病変デフィシットマッピング
- Authors: Guilherme Pombo, Robert Gray, Amy P.K. Nelson, Chris Foulon, John
Ashburner, Parashkev Nachev
- Abstract要約: 本稿では,病変欠損モデル比較のための包括的枠組みを提案する。
また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。
我々の分析は、このアプローチの広く採用されていることを正当化する。
- 参考スコア（独自算出の注目度）: 0.3914676152740142
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal mapping of the functional organisation of the human brain requires
evidence of \textit{necessity} available at adequate scale only from
pathological lesions of natural origin. This demands inferential models with
sufficient flexibility to capture both the observable distribution of
pathological damage and the unobserved distribution of the neural substrate.
Current model frameworks -- both mass-univariate and multivariate -- either
ignore distributed lesion-deficit relations or do not model them explicitly,
relying on featurization incidental to a predictive task. Here we initiate the
application of deep generative neural network architectures to the task of
lesion-deficit inference, formulating it as the estimation of an expressive
hierarchical model of the joint lesion and deficit distributions conditioned on
a latent neural substrate. We implement such deep lesion deficit inference with
variational convolutional volumetric auto-encoders. We introduce a
comprehensive framework for lesion-deficit model comparison, incorporating
diverse candidate substrates, forms of substrate interactions, sample sizes,
noise corruption, and population heterogeneity. Drawing on 5500 volume images
of ischaemic stroke, we show that our model outperforms established methods by
a substantial margin across all simulation scenarios, including comparatively
small-scale and noisy data regimes. Our analysis justifies the widespread
adoption of this approach, for which we provide an open source implementation:
https://github.com/guilherme-pombo/vae_lesion_deficit
- Abstract（参考訳）: 人間の脳の機能的構造の因果マッピングには、自然起源の病的病変のみから十分なスケールで利用可能な \textit{necessity} の証拠が必要である。
これにより、病理損傷の観測可能な分布と神経基質の観測できない分布の両方を捉えるのに十分な柔軟性を持つ推論モデルが要求される。
現在のモデルフレームワーク -- 大量ユニバリケートと多変量 -- は、分散障害と障害の関係を無視したり、予測タスクに付随する成果化に依存して、明示的にモデル化しない。
そこで我々は, 深部生成型ニューラルネットワークアーキテクチャの病変・欠損推論への応用を開始し, 潜在神経基板上での関節病変の表現的階層モデルと欠損分布の推定として定式化した。
変形性畳み込み型自動エンコーダを用いた深部病変評価を行った。
本稿では, 多様な候補基板, 基質相互作用形態, 試料サイズ, 騒音破壊, 個体群不均一性を含む, 病変欠陥モデル比較のための包括的枠組みを提案する。
5500の等時性脳卒中の画像をもとに,本モデルが,比較的小規模でノイズの多いデータレジームを含む全てのシミュレーションシナリオにおいて,確立した手法をかなりのマージンで上回っていることを示す。
私たちの分析は、このアプローチが広く採用されていることを正当化しており、オープンソース実装を提供しています。
関連論文リスト
- Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。
我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
論文 参考訳（メタデータ） (2024-10-01T19:02:06Z) - Consistency of Neural Causal Partial Identification [17.503562318576414]
因果モデル(Causal Models)の最近の進歩は、因果効果の同定と部分的同定が神経生成モデルによって自動的に行われるかを示した。
連続変数とカテゴリー変数の両方を持つ一般設定において、NCMによる部分的識別の整合性を証明する。
結果は、深さと接続性の観点から、基盤となるニューラルネットワークアーキテクチャの設計の影響を強調している。
論文 参考訳（メタデータ） (2024-05-24T16:12:39Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Asymptotic-Preserving Neural Networks for multiscale hyperbolic models
of epidemic spread [0.0]
多くの状況において、感染症の空間的伝播は、多スケールのPDEによって管理される異なるスケールの個体の動きによって特徴づけられる。
複数のスケールが存在する場合、PINNの直接適用は一般的に、ニューラルネットワークの損失関数における微分モデルのマルチスケールの性質のため、結果の低下につながる。
本稿では,パンデミック拡散のマルチスケール多代謝輸送モデルのための新しいAPニューラルネットワーク(APNN)について考察する。
論文 参考訳（メタデータ） (2022-06-25T11:25:47Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Going Beyond Saliency Maps: Training Deep Models to Interpret Deep
Models [16.218680291606628]
解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。
疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。
本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
論文 参考訳（メタデータ） (2021-02-16T15:57:37Z) - 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。