論文の概要: Extracting the Multiscale Causal Backbone of Brain Dynamics
- arxiv url: http://arxiv.org/abs/2311.00118v1
- Date: Tue, 31 Oct 2023 19:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 16:00:55.951046
- Title: Extracting the Multiscale Causal Backbone of Brain Dynamics
- Title(参考訳): 脳の動態の多元的因果関係の抽出
- Authors: Gabriele D'Acunto, Francesco Bonchi, Gianmarco De Francisci Morales,
Giovanni Petri
- Abstract要約: 複数の時間的尺度で個人が共有する脳波のマルチスケール因果バックボーン(MCB)を提案する。
マルチスケールの性質のおかげで、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動される。
我々のアプローチは、低周波帯域では、因果ダイナミクスは高レベルの認知機能に関連する脳の領域によって駆動されることを示している。
- 参考スコア(独自算出の注目度): 10.821465726323712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The bulk of the research effort on brain connectivity revolves around
statistical associations among brain regions, which do not directly relate to
the causal mechanisms governing brain dynamics. Here we propose the multiscale
causal backbone (MCB) of brain dynamics shared by a set of individuals across
multiple temporal scales, and devise a principled methodology to extract it.
Our approach leverages recent advances in multiscale causal structure
learning and optimizes the trade-off between the model fitting and its
complexity. Empirical assessment on synthetic data shows the superiority of our
methodology over a baseline based on canonical functional connectivity
networks. When applied to resting-state fMRI data, we find sparse MCBs for both
the left and right brain hemispheres. Thanks to its multiscale nature, our
approach shows that at low-frequency bands, causal dynamics are driven by brain
regions associated with high-level cognitive functions; at higher frequencies
instead, nodes related to sensory processing play a crucial role. Finally, our
analysis of individual multiscale causal structures confirms the existence of a
causal fingerprint of brain connectivity, thus supporting from a causal
perspective the existing extensive research in brain connectivity
fingerprinting.
- Abstract(参考訳): 脳の接続に関する研究努力の大部分は、脳のダイナミクスを管理する因果メカニズムに直接関係しない脳領域間の統計的関連を中心に展開している。
本稿では,複数の時間的尺度にまたがる個人が共有する脳動力学の多スケール因果バックボーン(mcb)を提案し,それを抽出するための原理的手法を考案する。
提案手法は,近年のマルチスケール因果構造学習の進歩を活用し,モデル適合と複雑性のトレードオフを最適化する。
合成データに対する経験的評価は,標準機能接続ネットワークに基づくベースラインよりも優れた手法を示す。
安静時fMRIデータに適用すると,左脳半球と右脳半球の両方に細いMCBが認められる。
マルチスケールの性質から,低周波帯では因果ダイナミクスは高次認知機能に関連する脳の領域によって駆動され,高周波では知覚処理に関連するノードが重要な役割を担っていることが示唆された。
最後に, 個別の多元的因果構造の解析により, 脳接続の因果的指紋の存在を確認し, 脳接続性フィンガープリンティングにおける既存の広範な研究の因果的側面から支援する。
関連論文リスト
- 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) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - 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) - A Network Theory Investigation into the Altered Resting State Functional
Connectivity in Attention-Deficit Hyperactivity Disorder [1.3416169841532526]
fMRIは、様々な神経心理学的機能を実行している間に、健康で病理的な脳の研究を可能にする。
最近のニューロイメージング研究は、グラフやネットワークの観点から脳活動のモデリングと分析が増加している。
本研究の目的は、注意欠陥高活動障害(ADHD)を有する成人における安静時脳機能異常について検討することである。
論文 参考訳(メタデータ) (2022-11-23T00:35:16Z) - 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) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳(メタデータ) (2022-08-17T12:36:26Z) - 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) - Ranking of Communities in Multiplex Spatiotemporal Models of Brain
Dynamics [0.0]
隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。
この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。
ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
論文 参考訳(メタデータ) (2022-03-17T12:14:09Z) - Inferring Brain Dynamics via Multimodal Joint Graph Representation
EEG-fMRI [0.0]
マルチモデリング手法は、各モータリティが別々に取得された場合に不可能な脳成分の神経分析に新たな洞察を与えることができることを示す。
異なるモードの関節表現は、同時に取得した脳波と磁気共鳴画像(EEG-fMRI)を解析するための頑健なモデルである
本稿では,グラフに基づく深層学習手法を用いて,複数のメディアの相関関係について概説する。
論文 参考訳(メタデータ) (2022-01-21T15:39:48Z) - 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。