Fugu-MT 論文翻訳(概要): BDEC:Brain Deep Embedded Clustering model

論文の概要: BDEC:Brain Deep Embedded Clustering model

arxiv url: http://arxiv.org/abs/2309.09984v1
Date: Tue, 12 Sep 2023 02:42:11 GMT
ステータス: 処理完了
システム内更新日: 2023-09-24 03:52:04.028831
Title: BDEC:Brain Deep Embedded Clustering model
Title（参考訳）: bdec:脳深部組み込みクラスタリングモデル
Authors: Xiaoxiao Ma, Chunzhi Yi, Zhicai Zhong, Hui Zhou, Baichun Wei, Haiqi Zhu and Feng Jiang
Abstract要約: ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。 9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
参考スコア（独自算出の注目度）: 10.560936895047321
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: An essential premise for neuroscience brain network analysis is the successful segmentation of the cerebral cortex into functionally homogeneous regions. Resting-state functional magnetic resonance imaging (rs-fMRI), capturing the spontaneous activities of the brain, provides the potential for cortical parcellation. Previous parcellation methods can be roughly categorized into three groups, mainly employing either local gradient, global similarity, or a combination of both. The traditional clustering algorithms, such as "K-means" and "Spectral clustering" may affect the reproducibility or the biological interpretation of parcellations; The region growing-based methods influence the expression of functional homogeneity in the brain at a large scale; The parcellation method based on probabilistic graph models inevitably introduce model assumption biases. In this work, we develop an assumption-free model called as BDEC, which leverages the robust data fitting capability of deep learning. To the best of our knowledge, this is the first study that uses deep learning algorithm for rs-fMRI-based parcellation. By comparing with nine commonly used brain parcellation methods, the BDEC model demonstrates significantly superior performance in various functional homogeneity indicators. Furthermore, it exhibits favorable results in terms of validity, network analysis, task homogeneity, and generalization capability. These results suggest that the BDEC parcellation captures the functional characteristics of the brain and holds promise for future voxel-wise brain network analysis in the dimensionality reduction of fMRI data.
Abstract（参考訳）: 神経科学の脳ネットワーク解析の重要な前提は、大脳皮質を機能的に均質な領域に分割することに成功したことである。静止状態の機能的磁気共鳴画像(rs-fMRI)は脳の自発活動を捉え、皮質のパーセレーションの可能性を秘めている。従来のパーセレーション法は、主に局所勾配、大域的類似性、あるいは両者の組み合わせを利用する3つの群に大別することができる。 K平均」や「スペクトルクラスタリング」のような伝統的なクラスタリングアルゴリズムは、再現性やパーセレーションの生物学的解釈に影響を与える可能性がある;領域成長ベースの手法は、大規模な脳における機能的ホモジニティの表現に影響を与える;確率的グラフモデルに基づくパーセレーション法は、モデル仮定バイアスを必然的に導入する。本研究では,深層学習の頑健なデータ適合能力を生かした,BDECと呼ばれる仮定自由モデルを開発する。我々の知る限りでは、rs-fMRIを用いたパーセレーションにディープラーニングアルゴリズムを用いた最初の研究である。 9種類の脳のパーセレーション法と比較することにより,BDECモデルは種々の機能的均一性指標において有意に優れた性能を示す。さらに, 妥当性, ネットワーク分析, タスクの均一性, 一般化能力の観点から, 良好な結果を示す。以上の結果から,BDECパーセレーションは脳の機能的特徴を捉え,fMRIデータの次元化における将来的なボクセル脳ネットワーク解析の可能性を示唆している。

関連論文リスト

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)
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)
Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-24T23:45:47Z)
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)
Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-05-21T14:08:53Z)
Functional Parcellation of fMRI data using multistage k-means clustering [0.9786690381850356]
クラスタリングはしばしば機能的パーセレーションを生成するために使われる。本研究では,静止状態とタスクfMRIデータに対するクラスタリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-02-19T20:30:02Z)
Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文参考訳（メタデータ） (2021-01-20T20:53:07Z)
Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文参考訳（メタデータ） (2020-09-28T18:30:14Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
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)

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。