論文の概要: A 3D explainability framework to uncover learning patterns and crucial
sub-regions in variable sulci recognition
- arxiv url: http://arxiv.org/abs/2309.00903v1
- Date: Sat, 2 Sep 2023 10:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 00:26:17.919791
- Title: A 3D explainability framework to uncover learning patterns and crucial
sub-regions in variable sulci recognition
- Title（参考訳）: 可変sulci認識における学習パターンと重要な部分領域を明らかにするための3次元説明可能性フレームワーク
- Authors: Michail Mamalakis, Heloise de Vareilles, Atheer AI-Manea, Samantha C.
Mitchell, Ingrid Arartz, Lynn Egeland Morch-Johnsen, Jane Garrison, Jon
Simons, Pietro Lio, John Suckling, Graham Murray
- Abstract要約: 本研究は,深層学習ネットワークからの出力をパラリンセートサーカスを検出する能力で検証する,革新的な3次元説明可能性フレームワークを提案する。
本研究では,GradCamとSHAPを次元還元法による局所的説明可能性手法を併用した2つのネットワークの訓練と試験を行った。
この方法論の採用は、神経科学の分野でさらなる探究と調査を行うための約束である。
- 参考スコア（独自算出の注目度）: 3.0398616939692777
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Precisely identifying sulcal features in brain MRI is made challenging by the
variability of brain folding. This research introduces an innovative 3D
explainability frame-work that validates outputs from deep learning networks in
their ability to detect the paracingulate sulcus, an anatomical feature that
may or may not be present on the frontal medial surface of the human brain.
This study trained and tested two networks, amalgamating local explainability
techniques GradCam and SHAP with a dimensionality reduction method. The
explainability framework provided both localized and global explanations, along
with accuracy of classification results, revealing pertinent sub-regions
contributing to the decision process through a post-fusion transformation of
explanatory and statistical features. Leveraging the TOP-OSLO dataset of MRI
acquired from patients with schizophrenia, greater accuracies of paracingulate
sulcus detection (presence or absence) were found in the left compared to right
hemispheres with distinct, but extensive sub-regions contributing to each
classification outcome. The study also inadvertently highlighted the critical
role of an unbiased annotation protocol in maintaining network performance
fairness. Our proposed method not only offers automated, impartial annotations
of a variable sulcus but also provides insights into the broader anatomical
variations associated with its presence throughout the brain. The adoption of
this methodology holds promise for instigating further explorations and
inquiries in the field of neuroscience.
- Abstract（参考訳）: 脳MRIにおけるsulcal特徴の正確な同定は、脳の折り畳みのばらつきによって困難になる。
本研究では,深層学習ネットワークからの出力を,ヒト脳の前頭内側に存在しうる解剖学的特徴であるパラシンジレート・スルカスを検出する能力で検証する,革新的な3次元説明可能性フレームワークを提案する。
本研究では,GradCamとSHAPを次元還元法による局所的説明可能性手法を併用した2つのネットワークの訓練と試験を行った。
説明可能性フレームワークは局所化とグローバル化の両方の説明と分類結果の正確性を提供し、説明的および統計的特徴の拡散後変換を通じて決定プロセスに寄与する関連する部分領域を明らかにする。
統合失調症患者から取得したmriのtop-osloデータセットを活用すると,左半球と左半球では,各分類結果に寄与する広範囲のサブ領域に比べて,パラシンジレートsulcus検出 (presence or absence) の精度が高かった。
この研究は、ネットワーク性能の公平性を維持する上で、非バイアスのアノテーションプロトコルが重要な役割を誤って強調した。
提案手法は, 変数sulcusの自動的非部分的アノテーションを提供するだけでなく, 脳全体における解剖学的変化に関する知見も提供する。
この方法論の採用は、神経科学の分野でさらなる探究と調査を行うための約束である。
関連論文リスト
- A Review of Latent Representation Models in Neuroimaging [0.0]
ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。
これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。
本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
論文 参考訳（メタデータ） (2024-12-24T19:12:11Z) - 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) - Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。
我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。
予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
論文 参考訳（メタデータ） (2024-05-24T06:06:11Z) - 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) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z) - Multimodal and multicontrast image fusion via deep generative models [3.431015735214097]
本稿では,モジュール型アプローチと分離可能な畳み込みブロックに根ざした生成モデルに基づく深層学習アーキテクチャを提案する。
これは、病気の進化を予測し、薬の反応を予測し、機械的な理解と臨床試験の強化を支援するのに役立つかもしれない。
論文 参考訳（メタデータ） (2023-03-28T13:31:27Z) - 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) - Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。
皮質下領域と心室は最も予測可能な脳の領域である。
論文 参考訳（メタデータ） (2022-06-26T21:44:33Z) - Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease
Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。
次に,大規模構造スキャンから空間整合機能画像を合成する。
時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文 参考訳（メタデータ） (2021-04-10T03:16:33Z)
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。