論文の概要: Correlation-Distance Graph Learning for Treatment Response Prediction
from rs-fMRI
- arxiv url: http://arxiv.org/abs/2311.10463v1
- Date: Fri, 17 Nov 2023 11:34:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:55:26.573743
- Title: Correlation-Distance Graph Learning for Treatment Response Prediction
from rs-fMRI
- Title（参考訳）: rs-fMRIによる治療応答予測のための相関距離グラフ学習
- Authors: Xiatian Zhang, Sisi Zheng, Hubert P. H. Shum, Haozheng Zhang, Nan
Song, Mingkang Song, Hongxiao Jia
- Abstract要約: 相関と距離に基づく類似度を対照的な損失の下で統合することにより,包括的特徴を捉えるグラフ学習フレームワークを提案する。
慢性の痛みと脱人格化障害データセットに関する実験により,提案手法は様々なシナリオにおいて,現在の方法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 8.734687343991366
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resting-state fMRI (rs-fMRI) functional connectivity (FC) analysis provides
valuable insights into the relationships between different brain regions and
their potential implications for neurological or psychiatric disorders.
However, specific design efforts to predict treatment response from rs-fMRI
remain limited due to difficulties in understanding the current brain state and
the underlying mechanisms driving the observed patterns, which limited the
clinical application of rs-fMRI. To overcome that, we propose a graph learning
framework that captures comprehensive features by integrating both correlation
and distance-based similarity measures under a contrastive loss. This approach
results in a more expressive framework that captures brain dynamic features at
different scales and enables more accurate prediction of treatment response.
Our experiments on the chronic pain and depersonalization disorder datasets
demonstrate that our proposed method outperforms current methods in different
scenarios. To the best of our knowledge, we are the first to explore the
integration of distance-based and correlation-based neural similarity into
graph learning for treatment response prediction.
- Abstract（参考訳）: resting-state fmri (rs-fmri) functional connectivity (fc) 分析は、異なる脳領域間の関係とその神経・精神疾患への潜在的影響に関する貴重な洞察を提供する。
しかし、現在の脳の状態や観察パターンを駆動するメカニズムを理解するのに困難があるため、rs-fMRIによる治療反応を予測するための具体的な設計努力は依然として限られており、rs-fMRIの臨床応用は限られている。
そこで本稿では,相関性と距離に基づく類似度を両立させることで,包括的特徴を捉えるグラフ学習フレームワークを提案する。
このアプローチは、異なるスケールで脳のダイナミックな特徴を捉え、より正確な治療反応予測を可能にする、より表現力のあるフレームワークをもたらす。
慢性的な痛みと非パーソナライゼーション障害のデータセットに関する実験は,提案手法が異なるシナリオで現在の方法を上回ることを示している。
我々の知識を最大限に活用するために、我々は、距離ベースと相関ベースのニューラル類似性のグラフ学習への統合を初めて検討した。
関連論文リスト
- Copula-Linked Parallel ICA: A Method for Coupling Structural and Functional MRI brain Networks [0.5277756703318045]
機能的MRI(fMRI)と構造的MRI(sMRI)を融合させる以前の研究では、このアプローチの利点が示されている。
我々は、深層学習フレームワーク、コプラと独立成分分析(ICA)を組み合わせた新しい融合法、コプラリンク並列ICA(CLiP-ICA)を開発した。
CLiP-ICAは、脳、感覚運動、視覚、認知制御、デフォルトモードネットワークなど、強い結合と弱い結合sMRIとfMRIネットワークの両方を効果的にキャプチャする。
論文 参考訳（メタデータ） (2024-10-14T01:35:41Z) - TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。
トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。
我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文 参考訳（メタデータ） (2024-06-18T09:00:49Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - A Novel Supervised Contrastive Regression Framework for Prediction of
Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI
Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。
SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。
SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文 参考訳（メタデータ） (2022-10-13T23:24:12Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - Mapping individual differences in cortical architecture using multi-view
representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文 参考訳（メタデータ） (2020-04-01T09:01:25Z) - 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) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。