論文の概要: Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects

• arxiv url: http://arxiv.org/abs/2306.09239v1
• Date: Thu, 15 Jun 2023 16:22:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 13:56:53.610319
• Title: Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects
• Title（参考訳）: ADHD被験者の自動同定のための脳ネットワーク構造の構築
• Authors: Soumyabrata Dey, Ravishankar Rao, Mubarak Shah
• Abstract要約: 我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
• 参考スコア（独自算出の注目度）: 70.37277191524755
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Attention Deficit Hyperactive Disorder (ADHD) is a common behavioral problem affecting children. In this work, we investigate the automatic classification of ADHD subjects using the resting state Functional Magnetic Resonance Imaging (fMRI) sequences of the brain. We show that the brain can be modeled as a functional network, and certain properties of the networks differ in ADHD subjects from control subjects. We compute the pairwise correlation of brain voxels' activity over the time frame of the experimental protocol which helps to model the function of a brain as a network. Different network features are computed for each of the voxels constructing the network. The concatenation of the network features of all the voxels in a brain serves as the feature vector. Feature vectors from a set of subjects are then used to train a PCA-LDA (principal component analysis-linear discriminant analysis) based classifier. We hypothesized that ADHD-related differences lie in some specific regions of the brain and using features only from those regions is sufficient to discriminate ADHD and control subjects. We propose a method to create a brain mask that includes the useful regions only and demonstrate that using the feature from the masked regions improves classification accuracy on the test data set. We train our classifier with 776 subjects and test on 171 subjects provided by The Neuro Bureau for the ADHD-200 challenge. We demonstrate the utility of graph-motif features, specifically the maps that represent the frequency of participation of voxels in network cycles of length 3. The best classification performance (69.59%) is achieved using 3-cycle map features with masking. Our proposed approach holds promise in being able to diagnose and understand the disorder.
• Abstract（参考訳）: 注意欠陥高活動障害(ADHD)は、小児に共通する行動障害である。 本研究では,脳の静止状態機能的磁気共鳴画像(fMRI)を用いたADHD被験者の自動分類について検討する。 その結果,脳は機能的ネットワークとしてモデル化でき,adhdでは制御対象とネットワークの特定の特性が異なることがわかった。 実験プロトコルの時間枠における脳のボクセル活動の相互相関を計算し,脳の機能をネットワークとしてモデル化する。 ネットワークを構成する各ボクセルに対して異なるネットワーク特徴が計算される。 脳内の全てのボクセルのネットワーク特徴の結合は、特徴ベクトルとして機能する。 次に,PCA-LDA (Principal component analysis-linear discriminant analysis) に基づく分類器の訓練を行う。 そこで我々は,ADHD関連性の違いが脳の特定の領域に存在すると仮定し,ADHDとコントロール対象を識別するのに十分な特徴のみを使用することを仮定した。 そこで本研究では,有効な領域のみを含むブレインマスクを作成する手法を提案し,その特徴を用いてテストデータセットの分類精度が向上することを示す。 分類器を776名の被験者に訓練し,adhd-200チャレンジにおいて神経局が提供した171名の被験者をテストした。 グラフモチーフの特徴,特に長さ3のネットワークサイクルにおけるボクセルの参加頻度を表すマップの有用性を実証する。 最高の分類性能(69.59%)はマスキング付き3サイクルマップ機能を用いて達成される。 提案手法は, 疾患を診断し, 理解できることを約束するものである。

関連論文リスト

• Multi-Head Graph Convolutional Network for Structural Connectome Classification [8.658134276685404]
  グラフ畳み込みネットワーク(GCN)にインスパイアされた機械学習モデルを提案する。 提案するネットワークは,エッジとノードに着目したグラフ畳み込みを含む,異なるヘッドを用いたシンプルな設計である。 脳接続データから補完的特徴と代表的特徴を抽出する能力をテストするため,私たちは性分類の課題を選択した。
  論文  参考訳（メタデータ） (2023-05-02T15:04:30Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer [0.0]
  我々は,ディープラーニングによる音声聴取作業において,機能的接続性の詳細な検討を行った。 本稿では,脳波データをグラフ領域の信号として表現するグラフニューラルネットワークに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-04T07:47:13Z)
• 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)
• Classification of ADHD Patients by Kernel Hierarchical Extreme Learning Machine [4.168157981135698]
  我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。 本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。 提案手法は既存の方法よりも優れた分類結果を得た。
  論文  参考訳（メタデータ） (2022-02-18T01:32:55Z)
• MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules [11.344829880346353]
  静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:50:16Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• Leveraging Human Selective Attention for Medical Image Analysis with Limited Training Data [72.1187887376849]
  選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。 本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。 本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-02T07:55:25Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。