論文の概要: Localizing and Assessing Node Significance in Default Mode Network using
Sub-Community Detection in Mild Cognitive Impairment
- arxiv url: http://arxiv.org/abs/2312.01768v1
- Date: Mon, 4 Dec 2023 09:43:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 15:24:30.617635
- Title: Localizing and Assessing Node Significance in Default Mode Network using
Sub-Community Detection in Mild Cognitive Impairment
- Title(参考訳): 軽度認知障害におけるサブコミュニティ検出を用いたデフォルトモードネットワークにおけるノードの局在と評価
- Authors: Ameiy Acharya, Chakka Sai Pradeep and Neelam Sinha
- Abstract要約: 本研究の目的は、軽度認知障害(MCI)患者のデフォルトモードネットワーク(DMN)内の脳領域をfMRIを用いて同定することである。
我々は、DMNを構成する関心領域(ROI)の部分的相関を利用して、対象固有のDMNグラフを構築する。
DMNグラフの場合、ROIはノードであり、エッジは部分相関に基づいて決定される。
NSS評価は各ノードに対して導出され、(I)クラス内の最大サブコミュニティの周波数と(II)最大サブコミュニティにおける最大サブコミュニティの発生を4つの方法すべてに基づいて考慮する。
- 参考スコア(独自算出の注目度): 5.340644246815989
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Our study aims to utilize fMRI to identify the affected brain regions within
the Default Mode Network (DMN) in subjects with Mild Cognitive Impairment
(MCI), using a novel Node Significance Score (NSS). We construct
subject-specific DMN graphs by employing partial correlation of Regions of
Interest (ROIs) that make-up the DMN. For the DMN graph, ROIs are the nodes and
edges are determined based on partial correlation. Four popular community
detection algorithms (Clique Percolation Method (CPM), Louvain algorithm,
Greedy Modularity and Leading Eigenvectors) are applied to determine the
largest sub-community. NSS ratings are derived for each node, considering (I)
frequency in the largest sub-community within a class across all subjects and
(II) occurrence in the largest sub-community according to all four methods.
After computing the NSS of each ROI in both healthy and MCI subjects, we
quantify the score disparity to identify nodes most impacted by MCI. The
results reveal a disparity exceeding 20% for 10 DMN nodes, maximally for PCC
and Fusiform, showing 45.69% and 43.08% disparity. This aligns with existing
medical literature, additionally providing a quantitative measure that enables
the ordering of the affected ROIs. These findings offer valuable insights and
could lead to treatment strategies aggressively targeting the affected nodes.
- Abstract(参考訳): 本研究は,軽度認知障害者(mci)におけるデフォルトモードネットワーク(dmn)の影響を受ける脳領域を,新しいノード有意スコア(nss)を用いてfmriを用いて同定することを目的としている。
我々は、DMNを構成する関心領域(ROI)の部分相関を用いて、対象固有のDMNグラフを構築する。
DMNグラフの場合、ROIはノードであり、エッジは部分相関に基づいて決定される。
CPM(Clique Percolation Method)、Louvainアルゴリズム、Greedy Modularity、Leading Eigenvectorsの4つの人気コミュニティ検出アルゴリズムを適用し、最大のサブコミュニティを決定する。
NSS評価は各ノードに対して導出され、(I)クラス内の最大サブコミュニティの周波数と(II)最大サブコミュニティにおける最大サブコミュニティの発生を4つの方法すべてに基づいて考慮する。
健常者および健常者の両方で各ROIのNPSを計算した後、スコア格差を定量化し、MCIが最も影響したノードを特定する。
その結果、10 DMNノードでは20%以上、最大で PCC と Fusiform では45.69% と 43.08% の差が見られた。
これは既存の医学文献と一致し、影響を受けたROIの順序付けを可能にする定量的指標を提供する。
これらの発見は貴重な洞察を与え、影響を受けるノードを積極的にターゲットする治療戦略につながる可能性がある。
関連論文リスト
- Multi-scale fMRI time series analysis for understanding
neurodegeneration in MCI [2.474908349649168]
本稿では,ネットワークを構成する各ROIについて,マルチスケールビューにまたがる手法を提案する。
深層学習に基づく分類は神経変性の理解に利用される。
論文 参考訳(メタデータ) (2024-02-05T08:41:39Z) - DenseNet and Support Vector Machine classifications of major depressive
disorder using vertex-wise cortical features [2.29023553248714]
大うつ病 (Major depressive disorder, MDD) は、世界中の数億の個人に影響を及ぼす複雑な精神疾患である。
ディープラーニングツールのニューロイメージングデータへの応用は、MDDの診断および予測バイオマーカーを提供する可能性がある。
MDD患者と健康管理 (HC) を線形機械学習による分節的大脳皮質の特徴に基づいて解離させる試みは, 精度が低いことが報告されている。
論文 参考訳(メタデータ) (2023-11-18T11:46:25Z) - When Do Graph Neural Networks Help with Node Classification?
Investigating the Impact of Homophily Principle on Node Distinguishability [92.8279562472538]
ホモフィリー原理は、ノード分類タスクにおけるニューラルネットワークよりもグラフネットワーク(GNN)の性能上の優位性の主要な理由であると考えられている。
最近の研究は、ホモフィリーがなくても、同じクラスのノードが類似した近隣パターンを共有する限り、GNNの利点は依然として存在することを示唆している。
論文 参考訳(メタデータ) (2023-04-25T09:40:47Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳(メタデータ) (2022-07-18T23:07:53Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳(メタデータ) (2022-07-06T02:03:28Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - 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) - Graph Autoencoders for Embedding Learning in Brain Networks and Major
Depressive Disorder Identification [13.907981019956832]
我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。
グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。
我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
論文 参考訳(メタデータ) (2021-07-27T14:12:39Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。
精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
論文 参考訳(メタデータ) (2021-05-11T03:39:08Z) - Multi-hop Attention Graph Neural Network [70.21119504298078]
マルチホップアテンショングラフニューラルネットワーク(MAGNA)は、マルチホップコンテキスト情報を注目計算のすべての層に組み込む方法である。
MAGNAは各層における大規模構造情報を捕捉し,低域効果によりグラフデータからノイズの多い高周波情報を除去することを示す。
論文 参考訳(メタデータ) (2020-09-29T22:41:19Z)
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。