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

• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。 本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。 BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• 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)
• 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)
• 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。