論文の概要: DeepFDR: A Deep Learning-based False Discovery Rate Control Method for Neuroimaging Data

• arxiv url: http://arxiv.org/abs/2310.13349v1
• Date: Fri, 20 Oct 2023 08:27:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 23:56:06.368310
• Title: DeepFDR: A Deep Learning-based False Discovery Rate Control Method for Neuroimaging Data
• Title（参考訳）: DeepFDR:ニューロイメージングデータのための深層学習に基づく偽発見率制御手法
• Authors: Taehyo Kim, Hai Shu, Qiran Jia, Mony de Leon
• Abstract要約: ボクセルベースの多重テストは神経画像データ解析に広く用いられている。 従来の偽発見率(FDR)制御法は、ボクセルベースのテストの空間依存性を無視する。 DeepFDRは、教師なしのディープラーニングベースのイメージセグメンテーションを使用して、ボクセルベースの多重テスト問題に対処する。
• 参考スコア（独自算出の注目度）: 1.9207817188259122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Voxel-based multiple testing is widely used in neuroimaging data analysis. Traditional false discovery rate (FDR) control methods often ignore the spatial dependence among the voxel-based tests and thus suffer from substantial loss of testing power. While recent spatial FDR control methods have emerged, their validity and optimality remain questionable when handling the complex spatial dependencies of the brain. Concurrently, deep learning methods have revolutionized image segmentation, a task closely related to voxel-based multiple testing. In this paper, we propose DeepFDR, a novel spatial FDR control method that leverages unsupervised deep learning-based image segmentation to address the voxel-based multiple testing problem. Numerical studies, including comprehensive simulations and Alzheimer's disease FDG-PET image analysis, demonstrate DeepFDR's superiority over existing methods. DeepFDR not only excels in FDR control and effectively diminishes the false nondiscovery rate, but also boasts exceptional computational efficiency highly suited for tackling large-scale neuroimaging data.
• Abstract（参考訳）: ボクセルベースの多重テストは神経画像データ解析に広く用いられている。 従来の偽発見率(FDR)制御法は、しばしばボクセルベースのテストの空間的依存を無視し、テストパワーのかなりの損失を被る。 近年の空間的fdr制御法が出現しているが、脳の複雑な空間的依存性を扱う場合、その妥当性と最適性は疑わしいままである。 同時に、深層学習手法は、ボクセルベースの多重テストと密接に関連するタスクであるイメージセグメンテーションに革命をもたらした。 本稿では,教師なしの深層学習に基づく画像分割を利用した空間的FDR制御手法であるDeepFDRを提案する。 総合シミュレーションやアルツハイマー病のFDG-PET画像解析を含む数値的研究は、DeepFDRが既存の方法よりも優れていることを示している。 DeepFDRはFDR制御に優れ、偽の非発見率を効果的に低下させるだけでなく、大規模な神経画像データを扱うのに適した計算効率も高い。

関連論文リスト

• Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
  本研究では,データ駆動型最適化手法であるDoDTIを紹介する。 提案手法はDTIパラメータ推定における最先端性能を実現する。 特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
  論文  参考訳（メタデータ） (2024-09-04T07:35:12Z)
• DeepROCK: Error-controlled interaction detection in deep neural networks [5.095097384893415]
  ディープニューラルネットワーク(DNN)の複雑さは、それを強力にすると同時に、解釈を困難にする。 既存の手法では、予測結果に影響を与える特徴的相互作用を識別することで、DNNの内部メカニズムを解明しようとする。 本稿では,特定の特徴集合の依存構造を模倣するダミー変数であるノックオフを用いて,この制限に対処するDeepROCKという手法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T23:58:19Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• Probabilistic Model Incorporating Auxiliary Covariates to Control FDR [6.270317798744481]
  複数の仮説テストの側面情報を活用しながら、偽発見率(FDR)を制御することは、現代のデータサイエンスにおける新たな研究トピックである。 統計的パワーを向上し,マルチハイポテーシステストのためのFDRを制御する,深いブラックボックス制御FDR(NeurT-FDR)を提案する。 我々は、NeurT-FDRが3つの実際のデータセットにおいて、競合するベースラインに比べてかなり多くの発見を行うことを示す。
  論文  参考訳（メタデータ） (2022-10-06T19:35:53Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• NeurT-FDR: Controlling FDR by Incorporating Feature Hierarchy [7.496622386458525]
  統計力を高め、複数の仮説テストのためのFDRを制御するNeurT-FDRを提案する。 我々は、NeurT-FDRが強力なFDR保証を持ち、合成データセットと実データセットで大幅に発見することを示しています。
  論文  参考訳（メタデータ） (2021-01-24T21:55:10Z)
• A Compact Deep Learning Model for Face Spoofing Detection [4.250231861415827]
  プレゼンテーションアタック検出(PAD)は研究コミュニティから大きな注目を集めている。 我々は、統一されたニューラルネットワークアーキテクチャにおいて、幅広い機能と深い機能の両方を融合することで、この問題に対処する。 この手順は、ROSE-Youtu、SiW、NUAA Imposterなどのさまざまなスプーフィングデータセットで行われます。
  論文  参考訳（メタデータ） (2021-01-12T21:20:09Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• 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)
• Effective Version Space Reduction for Convolutional Neural Networks [61.84773892603885]
  アクティブラーニングでは、サンプリングバイアスは深刻な矛盾問題を引き起こし、アルゴリズムが最適な仮説を見つけるのを妨げる可能性がある。 本稿では,畳み込みニューラルネットワークを用いた能動学習について,バージョン空間削減の原理的レンズを用いて検討する。
  論文  参考訳（メタデータ） (2020-06-22T17:40:03Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)

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。