論文の概要: TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance
- arxiv url: http://arxiv.org/abs/2307.03982v1
- Date: Sat, 8 Jul 2023 14:10:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 16:20:16.675925
- Title: TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance
- Title（参考訳）: TractGeoNet: 言語アセスメント性能予測のためのトラクション微細構造のポイントワイズ解析のための幾何学的ディープラーニングフレームワーク
- Authors: Yuqian Chen, Leo R. Zekelman, Chaoyi Zhang, Tengfei Xue, Yang Song,
Nikos Makris, Yogesh Rathi, Alexandra J. Golby, Weidong Cai, Fan Zhang,
Lauren J. O'Donnell
- Abstract要約: 拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
- 参考スコア（独自算出の注目度）: 66.43360974979386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a geometric deep-learning-based framework, TractGeoNet, for
performing regression using diffusion magnetic resonance imaging (dMRI)
tractography and associated pointwise tissue microstructure measurements. By
employing a point cloud representation, TractGeoNet can directly utilize
pointwise tissue microstructure and positional information from all points
within a fiber tract. To improve regression performance, we propose a novel
loss function, the Paired-Siamese Regression loss, which encourages the model
to focus on accurately predicting the relative differences between regression
label scores rather than just their absolute values. In addition, we propose a
Critical Region Localization algorithm to identify highly predictive anatomical
regions within the white matter fiber tracts for the regression task. We
evaluate the effectiveness of the proposed method by predicting individual
performance on two neuropsychological assessments of language using a dataset
of 20 association white matter fiber tracts from 806 subjects from the Human
Connectome Project. The results demonstrate superior prediction performance of
TractGeoNet compared to several popular regression models. Of the twenty tracts
studied, we find that the left arcuate fasciculus tract is the most highly
predictive of the two studied language performance assessments. The localized
critical regions are widespread and distributed across both hemispheres and all
cerebral lobes, including areas of the brain considered important for language
function such as superior and anterior temporal regions, pars opercularis, and
precentral gyrus. Overall, TractGeoNet demonstrates the potential of geometric
deep learning to enhance the study of the brain's white matter fiber tracts and
to relate their structure to human traits such as language performance.
- Abstract（参考訳）: 拡散磁気共鳴画像(dMRI)と関連する点組織計測を用いて回帰を行うための幾何学的深層学習ベースのフレームワークであるTractGeoNetを提案する。
ポイントクラウド表現を使用することで、traitgeonetは繊維路内のすべての点からポイントワイズ組織微細構造と位置情報を直接利用することができる。
そこで本研究では,回帰ラベルスコアの相対的差を絶対値よりも精度良く予測することに焦点を当てた,新しい損失関数であるペアド・シアム回帰損失を提案する。
さらに, 回帰作業のための白色物質繊維トラクト内の高い予測的解剖学的領域を同定するための臨界領域局所化アルゴリズムを提案する。
ヒトコネクトームプロジェクトから806名の被験者から得られた20個の関連白質線維路のデータセットを用いて、言語における2つの神経心理学的評価における個人のパフォーマンスを予測することにより、提案手法の有効性を評価する。
その結果, 一般的な回帰モデルと比較して, tractgeonet の予測性能が向上した。
研究した20路のうち,左肩甲骨筋管は2つの言語性能評価の最も高い予測値であることがわかった。
局所的な臨界領域は、上側頭葉と前側頭葉、頭頂側頭葉、および前側頭葉などの言語機能に重要なとされる脳の領域を含む、両半球および全脳葉に広く分布する。
tractgeonetは、脳の白質繊維路の研究を強化し、その構造を言語性能などの人間の特性に関連付けるために、幾何学的深層学習の可能性を実証している。
関連論文リスト
- On Discprecncies between Perturbation Evaluations of Graph Neural
Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。
中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。
我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文 参考訳（メタデータ） (2024-01-01T02:03:35Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - A Local Geometric Interpretation of Feature Extraction in Deep
Feedforward Neural Networks [13.159994710917022]
本稿では, 深部フィードフォワードニューラルネットワークが高次元データから低次元特徴をいかに抽出するかを理解するための局所幾何学的解析法を提案する。
本研究は, 局所幾何学領域において, ニューラルネットワークの一層における最適重みと前層の最適特徴が, この層のベイズ作用によって決定される行列の低ランク近似を構成することを示す。
論文 参考訳（メタデータ） (2022-02-09T18:50:00Z) - With Greater Distance Comes Worse Performance: On the Perspective of
Layer Utilization and Model Generalization [3.6321778403619285]
ディープニューラルネットワークの一般化は、マシンラーニングにおける主要なオープンな問題の1つだ。
初期のレイヤは一般的に、トレーニングデータとテストデータの両方のパフォーマンスに関する表現を学びます。
より深いレイヤは、トレーニングのリスクを最小限に抑え、テストや不正なラベル付けされたデータとうまく連携できない。
論文 参考訳（メタデータ） (2022-01-28T05:26:32Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Expressivity of Deep Neural Networks [2.7909470193274593]
本稿では,ニューラルネットワークの様々な近似結果について概説する。
既存の結果は、一般的なフィードフォワードアーキテクチャのためのものだが、畳み込み、残留、反復するニューラルネットワークの近似結果も記述する。
論文 参考訳（メタデータ） (2020-07-09T13:08:01Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳（メタデータ） (2020-05-25T13:51:03Z)
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。