論文の概要: Characterizing normal perinatal development of the human brain
structural connectivity
- arxiv url: http://arxiv.org/abs/2308.11836v1
- Date: Tue, 22 Aug 2023 23:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-24 16:29:09.923451
- Title: Characterizing normal perinatal development of the human brain
structural connectivity
- Title(参考訳): ヒト脳構造接続の正常な周産期発達の特徴
- Authors: Yihan Wu, Lana Vasung, Camilo Calixto, Ali Gholipour, Davood Karimi
- Abstract要約: 初期の発達は高度に組織化された構造コネクトームの形成によって特徴づけられる。
本研究では,時間平均化に基づく構造接続ベースライン決定のための計算フレームワークを開発した。
以上の結果から, 周産期における構造接続の発達の傾向が明らかとなった。
- 参考スコア(独自算出の注目度): 13.465234583017603
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early brain development is characterized by the formation of a highly
organized structural connectome. The interconnected nature of this connectome
underlies the brain's cognitive abilities and influences its response to
diseases and environmental factors. Hence, quantitative assessment of
structural connectivity in the perinatal stage is useful for studying normal
and abnormal neurodevelopment. However, estimation of the connectome from
diffusion MRI data involves complex computations. For the perinatal period,
these computations are further challenged by the rapid brain development and
imaging difficulties. Combined with high inter-subject variability, these
factors make it difficult to chart the normal development of the structural
connectome. As a result, there is a lack of reliable normative baselines of
structural connectivity metrics at this critical stage in brain development. In
this study, we developed a computational framework, based on spatio-temporal
averaging, for determining such baselines. We used this framework to analyze
the structural connectivity between 33 and 44 postmenstrual weeks using data
from 166 subjects. Our results unveiled clear and strong trends in the
development of structural connectivity in perinatal stage. Connection weighting
based on fractional anisotropy and neurite density produced the most consistent
results. We observed increases in global and local efficiency, a decrease in
characteristic path length, and widespread strengthening of the connections
within and across brain lobes and hemispheres. We also observed asymmetry
patterns that were consistent between different connection weighting
approaches. The new computational method and results are useful for assessing
normal and abnormal development of the structural connectome early in life.
- Abstract(参考訳): 初期の脳の発達は、高度に組織化された構造的コネクトームの形成によって特徴づけられる。
このコネクトームの相互結合の性質は脳の認知能力の基盤となり、疾患や環境要因に対する応答に影響を与える。
したがって、周産期における構造的結合の定量的評価は、正常および異常神経発達の研究に有用である。
しかし、拡散MRIデータからコネクトームを推定するには複雑な計算が必要となる。
周産期においては、これらの計算は脳の急速な発達と画像化の困難によりさらに困難である。
高いサブジェクト間変動性と組み合わせると、これらの因子は構造コネクトームの正常な発達を図示することが困難になる。
結果として、脳開発におけるこの重要な段階において、構造的接続指標の信頼できる規範的ベースラインが欠如している。
本研究では,時空間平均化に基づく計算フレームワークを開発し,その基盤線を決定する。
この枠組みを用いて月経後33~44週における構造的接続を166名の被験者のデータを用いて解析した。
以上の結果から, 周産期における構造接続の発達傾向が明らかとなった。
分数異方性と神経突起密度に基づく接続重み付けが最も一貫した結果を得た。
我々は,大域的および局所的な効率の向上,特徴経路長の減少,脳葉と半球間の接続の拡充を観察した。
また,異なる接続重み付けアプローチで一貫性のある非対称性パターンも観察した。
新たな計算手法と結果は,構造的コネクトームの正常および異常な発達の早期評価に有用である。
関連論文リスト
- Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳(メタデータ) (2023-12-16T04:31:51Z) - 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) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳(メタデータ) (2023-01-01T12:48:12Z) - Adversarial Learning Based Structural Brain-network Generative Model for
Analyzing Mild Cognitive Impairment [7.403660531145136]
軽度認知障害(MCI)はアルツハイマー病(AD)の前駆体である
本研究では,脳拡散テンソル画像から直接構造的接続を学習するために,逆学習に基づく構造的脳ネットワーク生成モデル(SBGM)を提案する。
提案モデルでは,アルツハイマー病神経画像イニシアチブ(ADNI)データベース上で,EMCI,LMCI,NCの3つの被験者を分類し,83.33%の精度で分類した。
論文 参考訳(メタデータ) (2022-08-09T02:45:53Z) - On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。
スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。
この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
論文 参考訳(メタデータ) (2022-06-21T09:42:30Z) - Longitudinal Correlation Analysis for Decoding Multi-Modal Brain
Development [17.970347089803596]
縦相関解析(LCA)という解析手法を提案する。
LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。
若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
論文 参考訳(メタデータ) (2021-07-10T00:07:06Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳(メタデータ) (2020-07-10T14:01:20Z) - Optimal Learning with Excitatory and Inhibitory synapses [91.3755431537592]
相関関係の存在下でアナログ信号間の関連性を保持するという課題について検討する。
ランダムな入力および出力プロセスのパワースペクトルの観点から、典型的な学習性能を特徴付ける。
論文 参考訳(メタデータ) (2020-05-25T18:25:54Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳(メタデータ) (2020-03-24T01:56:50Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳(メタデータ) (2019-12-29T00:14:07Z)
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。