論文の概要: A Learnable Counter-condition Analysis Framework for Functional
Connectivity-based Neurological Disorder Diagnosis
- arxiv url: http://arxiv.org/abs/2310.03964v1
- Date: Fri, 6 Oct 2023 01:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-10 03:41:56.716190
- Title: A Learnable Counter-condition Analysis Framework for Functional
Connectivity-based Neurological Disorder Diagnosis
- Title（参考訳）: 機能的結合型神経疾患診断のための学習可能な条件解析フレームワーク
- Authors: Eunsong Kang, Da-woon Heo, Jiwon Lee, Heung-Il Suk
- Abstract要約: 本稿では,診断(特徴選択と特徴抽出)と説明を体系的に統合する新しい統合フレームワークを提案する。
最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供し、反条件分析とも呼ばれる。
- 参考スコア（独自算出の注目度）: 8.1410193893176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To understand the biological characteristics of neurological disorders with
functional connectivity (FC), recent studies have widely utilized deep
learning-based models to identify the disease and conducted post-hoc analyses
via explainable models to discover disease-related biomarkers. Most existing
frameworks consist of three stages, namely, feature selection, feature
extraction for classification, and analysis, where each stage is implemented
separately. However, if the results at each stage lack reliability, it can
cause misdiagnosis and incorrect analysis in afterward stages. In this study,
we propose a novel unified framework that systemically integrates diagnoses
(i.e., feature selection and feature extraction) and explanations. Notably, we
devised an adaptive attention network as a feature selection approach to
identify individual-specific disease-related connections. We also propose a
functional network relational encoder that summarizes the global topological
properties of FC by learning the inter-network relations without pre-defined
edges between functional networks. Last but not least, our framework provides a
novel explanatory power for neuroscientific interpretation, also termed
counter-condition analysis. We simulated the FC that reverses the diagnostic
information (i.e., counter-condition FC): converting a normal brain to be
abnormal and vice versa. We validated the effectiveness of our framework by
using two large resting-state functional magnetic resonance imaging (fMRI)
datasets, Autism Brain Imaging Data Exchange (ABIDE) and REST-meta-MDD, and
demonstrated that our framework outperforms other competing methods for disease
identification. Furthermore, we analyzed the disease-related neurological
patterns based on counter-condition analysis.
- Abstract（参考訳）: 機能的接続(FC)を伴う神経疾患の生物学的特徴を理解するため,近年,深層学習モデルを用いて疾患を同定し,説明可能なモデルを用いて疾患関連バイオマーカーの発見を行った。
既存のフレームワークのほとんどは、機能選択、分類のための特徴抽出、分析という3つのステージで構成されており、各ステージは別々に実装されている。
しかし, 各段階の結果に信頼性が欠如している場合には, 誤診や解析の誤りが生じる可能性がある。
本研究では,診断(特徴選択と特徴抽出)と説明を体系的に統合した新しい統一フレームワークを提案する。
特に,個別の疾患関連関係を識別するための特徴選択手法として,適応型注意ネットワークを考案した。
また,関数ネットワーク間のエッジを事前に定義することなく,ネットワーク間関係を学習することでfcのグローバルトポロジー特性を要約する関数ネットワーク関係エンコーダを提案する。
最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供する。
診断情報を反転させるfcをシミュレートし, 正常な脳を異常に変換し, その逆も行う。
我々は,2つの大規模静止状態機能型磁気共鳴画像(fMRI)データセット,自閉症脳画像データ交換(ABIDE)およびREST-meta-MDDを用いて,本フレームワークの有効性を検証した。
さらに, 疾患関連神経学的パターンをカウンターコンディショニング分析に基づいて解析した。
関連論文リスト
- Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。
提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。
両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
論文 参考訳（メタデータ） (2024-09-22T01:23:46Z) - 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) - EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD
Diagnosis via Inter-regional Relation Learning [11.344446341236267]
本稿では,脳領域間の非線形高次機能的関連を識別する新しい利害選択領域(EAG-RS)を提案する。
このフレームワークは, (i) ランダムなシードベースネットワークマスキングによる非線形関係を推定するための地域間関係学習, (ii) 機能的接続間の高次関係を探索するための接続関連度スコア推定, (iii) 非線形高次FCベースの診断非形式ROI選択とASDの識別のための学習の3段階を含む。
論文 参考訳（メタデータ） (2023-10-05T09:14:54Z) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-16T05:22:25Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Interpretable Fusion Analytics Framework for fMRI Connectivity: Self-Attention Mechanism and Latent Space Item-Response Model [0.4893345190925178]
本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。
この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
論文 参考訳（メタデータ） (2022-07-04T17:01:18Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳（メタデータ） (2022-04-21T08:23:44Z) - Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。
この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文 参考訳（メタデータ） (2022-03-30T13:07:41Z) - Identifying Autism Spectrum Disorder Based on Individual-Aware
Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。
本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文 参考訳（メタデータ） (2021-09-19T14:22:55Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。