論文の概要: Unique Brain Network Identification Number for Parkinson's Individuals Using Structural MRI

• arxiv url: http://arxiv.org/abs/2306.01689v1
• Date: Fri, 2 Jun 2023 17:03:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 14:02:35.489780
• Title: Unique Brain Network Identification Number for Parkinson's Individuals Using Structural MRI
• Title（参考訳）: 構造MRIを用いたパーキンソン病患者の脳ネットワーク識別数
• Authors: Tanmayee Samantaray, Utsav Gupta, Jitender Saini, and Cota Navin Gupta
• Abstract要約: 本稿では,個々の被験者の脳ネットワークを符号化するための,Unique Brain Network Identification Number (UBNIN) という新しいアルゴリズムを提案する。 各被験者の脳の容積を解析し,各領域の灰白質(GM)容積の相関関係を用いて個々の隣接行列を構築した。 以上の結果から,ネットワーク接続パターンは年齢とともに変化し,神経病理学によるネットワーク破壊が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel algorithm called Unique Brain Network Identification Number (UBNIN) for encoding brain networks of individual subject. To realize this objective, we employed T1-weighted structural MRI of 180 Parkinson's disease (PD) patients from National Institute of Mental Health and Neurosciences, India. We parcellated each subject's brain volume and constructed individual adjacency matrix using correlation between grey matter (GM) volume of every pair of regions. The unique code is derived from values representing connections of every node (i), weighted by a factor of 2^-(i-1). The numerical representation UBNIN was observed to be distinct for each individual brain network, which may also be applied to other neuroimaging modalities. This model may be implemented as neural signature of a person's unique brain connectivity, thereby useful for brainprinting applications. Additionally, we segregated the above dataset into five age-cohorts: A:22-32years, B:33-42years, C:43-52years, D:53-62years and E:63-72years to study the variation in network topology over age. Sparsity was adopted as the threshold estimate to binarize each age-based correlation matrix. Connectivity metrics were obtained using Brain Connectivity toolbox-based MATLAB functions. For each age-cohort, a decreasing trend was observed in mean clustering coefficient with increasing sparsity. Significantly different clustering coefficient was noted between age-cohort B and C (sparsity: 0.63,0.66), C and E (sparsity: 0.66,0.69). Our findings suggest network connectivity patterns change with age, indicating network disruption due to the underlying neuropathology. Varying clustering coefficient for different cohorts indicate that information transfer between neighboring nodes change with age. This provides evidence on age-related brain shrinkage and network degeneration.
• Abstract（参考訳）: 本稿では,個々の被験者の脳ネットワークを符号化する一意性脳ネットワーク識別番号(ubnin)と呼ばれる新しいアルゴリズムを提案する。 この目的を達成するため,インド国立精神保健神経科学研究所から180パーキンソン病(PD)患者のT1強調MRIを用いた。 各被験者の脳容積を分節し,各領域の灰白質(gm)容積の相関関係を用いて個々の隣接行列を構築した。 ユニークなコードは、各ノード (i) の接続を表す値から導かれ、2^-(i-1) の係数で重み付けされる。 数値表現ubninは個々の脳ネットワークで異なることが観察され、他の神経画像のモダリティにも応用できる。 このモデルは、人のユニークな脳接続性のニューラルシグネチャとして実装され、脳プリントアプリケーションに有用である。 さらに、上記のデータセットをa:22-32年、b:33-42年、c:43-52年、d:53-62年、e:63-72年という5つの年齢コホートに分け、年齢によるネットワークトポロジーの変化を調査した。 各年齢別相関行列を二項化するための閾値推定値としてスペーサ性を採用した。 Brain Connectivity ToolboxベースのMATLAB関数を用いて接続度を測定した。 年齢層ごとに平均クラスタリング係数が減少傾向にあり,スパーシティが増大した。 年齢コホートBとC(スパース:0.63,0.66)、CとE(スパース:0.66,0.69)の間に有意な異なるクラスタリング係数が認められた。 以上の結果から,ネットワーク接続パターンは年齢とともに変化し,神経病理学によるネットワーク破壊が示唆された。 異なるコホートに対する分散クラスタリング係数は、隣接するノード間の情報転送が年齢とともに変化することを示す。 これは加齢に伴う脳の収縮とネットワークの変性の証拠となる。

関連論文リスト

• Brain-Cognition Fingerprinting via Graph-GCCA with Contrastive Learning [28.681229869236393]
  縦断的神経画像研究は、脳機能と認知の間の動的相互作用を研究することによって、脳の老化と疾患の理解を改善することを目的としている。 本稿では,グラフ注意ネットワークと一般化相関解析を用いた教師なし学習モデルを提案する。 個々の人の独特の神経・認知表現型を反映した脳認知指紋を作成するために、モデルは個別化およびマルチモーダル・コントラスト学習にも依存する。
  論文  参考訳（メタデータ） (2024-09-20T20:36:20Z)
• Labeling subtypes in a Parkinson's Cohort using Multifeatures in MRI - Integrating Grey and White Matter Information [0.05311301767110321]
  相互K-Nearest Neighbor(MKNN)を用いた脳ネットワーク解析 パーキンソン病180例のMRI像とNIMHANS70例の解析を行った。
  論文  参考訳（メタデータ） (2024-03-26T02:32:52Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• SFCNeXt: a simple fully convolutional network for effective brain age estimation with small sample size [10.627447275777609]
  ディープニューラルネットワーク(DNN)は、T1強調磁気共鳴画像(T1 MRI)から健康脳の時系列年齢を予測するように設計されている。 脳年齢推定のための最近のDNNモデルは、通常、多段階の特徴改善のための大規模なサンプルサイズと複雑なネットワーク構造に依存しすぎている。 本稿では、偏りのある小型コホートにおける脳年齢推定のための簡易完全畳み込みネットワーク(SFCNeXt)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T06:11:38Z)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification [9.312868504719193]
  アルツハイマー病は最も一般的な年齢関連認知症である。 脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。 アルツハイマー病は最も一般的な年齢関連認知症である。
  論文  参考訳（メタデータ） (2021-03-10T23:44:53Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)
• Causality based Feature Fusion for Brain Neuro-Developmental Analysis [26.218572787292427]
  脳の成熟中に情報の流れの方向を付加することを提案する。 その動機は、因果相互作用を包含することで、2つの年齢グループ間の脳のつながりをさらに区別できるということである。 その結果,若年者では接続の強度が有意に高かった。
  論文  参考訳（メタデータ） (2020-01-22T17:38:42Z)

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。