論文の概要: Improving Normative Modeling for Multi-modal Neuroimaging Data using mixture-of-product-of-experts variational autoencoders

• arxiv url: http://arxiv.org/abs/2312.00992v1
• Date: Sat, 2 Dec 2023 01:17:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 19:52:32.669837
• Title: Improving Normative Modeling for Multi-modal Neuroimaging Data using mixture-of-product-of-experts variational autoencoders
• Title（参考訳）: mix-of-product-of-experts variational autoencoderを用いたマルチモーダルニューロイメージングデータの規範的モデリングの改善
• Authors: Sayantan Kumar, Philip Payne, Aristeidis Sotiras
• Abstract要約: 既存の変分オートエンコーダ(VAE)ベースの規範モデルは、積を推定したり、不定形遅延後部の平均化によって複数のモードから情報を集約する。 これはしばしば、主観レベルの偏差の推定に影響を及ぼす非形式的な関節潜伏分布をもたらす。 後肢後肢のモデリングを改善するMixture-of-Product-of-Experts法を応用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Normative models in neuroimaging learn the brain patterns of healthy population distribution and estimate how disease subjects like Alzheimer's Disease (AD) deviate from the norm. Existing variational autoencoder (VAE)-based normative models using multimodal neuroimaging data aggregate information from multiple modalities by estimating product or averaging of unimodal latent posteriors. This can often lead to uninformative joint latent distributions which affects the estimation of subject-level deviations. In this work, we addressed the prior limitations by adopting the Mixture-of-Product-of-Experts (MoPoE) technique which allows better modelling of the joint latent posterior. Our model labelled subjects as outliers by calculating deviations from the multimodal latent space. Further, we identified which latent dimensions and brain regions were associated with abnormal deviations due to AD pathology.
• Abstract（参考訳）: 神経画像学における規範モデルは、健康な人口分布の脳パターンを学習し、アルツハイマー病(ad)のような疾患の被験者が標準からどのように逸脱するかを推定する。 多モードニューロイメージングデータ集約情報を用いた既存変分オートエンコーダ(VAE)に基づく規範モデルの構築 これはしばしば、被写体レベルの偏差の推定に影響を与える非変形的なジョイント潜在分布に繋がる。 本研究は, 後肢のより優れたモデリングを可能にするMixture-of-Product-of-Experts(MoPoE)技術を採用することで, 従来の限界に対処する。 モデルでは,マルチモーダル潜在空間からの偏差を計算し,被写体を外れ値としてラベル付けした。 さらに,ad病理学による異常偏差と潜在次元と脳領域が関連していたかを検討した。

関連論文リスト

• Multi-modal Variational Autoencoders for normative modelling across multiple imaging modalities [0.1534667887016089]
  本稿では,T1およびDTIデータ間の主観レベルずれを検出するための2つのマルチモーダルVAE規範モデルを提案する。 提案モデルでは, 疾患を検知し, 重症度を把握し, 患者の認知と相関する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-16T09:14:48Z)
• Diversity-Measurable Anomaly Detection [106.07413438216416]
  本稿では,再構成の多様性を高めるため,DMAD(Diversity-Measurable Anomaly Detection)フレームワークを提案する。 PDMは基本的に、変形を埋め込みから分離し、最終的な異常スコアをより信頼性を高める。
  論文  参考訳（メタデータ） (2023-03-09T05:52:42Z)
• Normative Modeling via Conditional Variational Autoencoder and Adversarial Learning to Identify Brain Dysfunction in Alzheimer's Disease [10.302206705998563]
  アルツハイマー病(AD)の脳機能障害を同定するために、条件付き変分オートエンコーダと対向学習(ACVAE)を組み合わせた新しい規範的モデリング法を提案する。 OASIS-3データベースを用いた実験により,本モデルが生成する偏差マップは,他の深部規範モデルと比較してADに対する感度が高いことが示された。
  論文  参考訳（メタデータ） (2022-11-13T07:36:30Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• NormVAE: Normative Modeling on Neuroimaging Data using Variational Autoencoders [0.776692116806953]
  ディープオートエンコーダは規範的モデルとして実装され、患者レベルの偏差は、偏差の不確実性な推定をせずに、実際の入力と再構成された入力の正方形差としてモデル化されている。 本研究では,主観的規範的異常マップ(NAM)を算出し,偏差の不確かさを定量化する,新しい規範的モデリングに基づく変分オートエンコーダ(VAE)について検討した。
  論文  参考訳（メタデータ） (2021-10-10T20:55:34Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)
• Hierarchical Bayesian Regression for Multi-Site Normative Modeling of Neuroimaging Data [0.0]
  階層ベイズ回帰(HBR)の多地点規範モデリングへの応用を提案する。 以上の結果から,HBRの優位性は,大規模なマルチサイト神経画像データにおいてより正確な基準範囲の導出に有効であることが確認された。
  論文  参考訳（メタデータ） (2020-05-25T11:55:19Z)

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。