論文の概要: HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and
Hierarchical Interactions for Mild Cognitive Impairment Diagnosis
- arxiv url: http://arxiv.org/abs/2401.06780v1
- Date: Tue, 2 Jan 2024 12:46:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 12:41:55.997486
- Title: HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and
Hierarchical Interactions for Mild Cognitive Impairment Diagnosis
- Title(参考訳): HA-HI:軽度認知障害診断のための階層的アライメントと階層的相互作用によるfMRIとDTIの相乗化
- Authors: Xiongri Shen, Zhenxi Song, Linling Li, Min Zhang, Lingyan Liang
Honghai Liu, Demao Deng, Zhiguo Zhang
- Abstract要約: 軽度認知障害(MCI)と主観的認知低下(SCD)の診断のための新しい階層的アライメントと階層的相互作用(HA-HI)法を導入する。
HA-HIは、様々な特徴型を整列し、それらの相互作用を階層的に最大化することで、MCIまたはSCD関連の重要な地域および接続特性を効率的に学習する。
提案手法の解釈可能性を高めるために,MCI/SCDを示す重要な脳領域と接続を明らかにするSynergistic Activation Map (SAM) 技術を開発した。
- 参考スコア(独自算出の注目度): 10.028997265879598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early diagnosis of mild cognitive impairment (MCI) and subjective cognitive
decline (SCD) utilizing multi-modal magnetic resonance imaging (MRI) is a
pivotal area of research. While various regional and connectivity features from
functional MRI (fMRI) and diffusion tensor imaging (DTI) have been employed to
develop diagnosis models, most studies integrate these features without
adequately addressing their alignment and interactions. This limits the
potential to fully exploit the synergistic contributions of combined features
and modalities. To solve this gap, our study introduces a novel Hierarchical
Alignments and Hierarchical Interactions (HA-HI) method for MCI and SCD
classification, leveraging the combined strengths of fMRI and DTI. HA-HI
efficiently learns significant MCI- or SCD- related regional and connectivity
features by aligning various feature types and hierarchically maximizing their
interactions. Furthermore, to enhance the interpretability of our approach, we
have developed the Synergistic Activation Map (SAM) technique, revealing the
critical brain regions and connections that are indicative of MCI/SCD.
Comprehensive evaluations on the ADNI dataset and our self-collected data
demonstrate that HA-HI outperforms other existing methods in diagnosing MCI and
SCD, making it a potentially vital and interpretable tool for early detection.
The implementation of this method is publicly accessible at
https://github.com/ICI-BCI/Dual-MRI-HA-HI.git.
- Abstract(参考訳): 多モードMRIを用いた軽度認知障害(MCI)と主観的認知低下(SCD)の早期診断は研究の要点である。
機能的MRI(fMRI)や拡散テンソルイメージング(DTI)による様々な局所的および接続性の特徴が診断モデルの開発に用いられているが、ほとんどの研究は、それらのアライメントと相互作用に適切に対処することなくこれらの特徴を統合する。
このことは、組み合わせた特徴とモダリティの相乗的貢献を完全に活用する可能性を制限する。
このギャップを解消するために,本研究では,fMRIとDTIを併用した,MCIとSCD分類のための新しい階層的アライメントと階層的インタラクション(HA-HI)手法を提案する。
HA-HIは、様々な特徴型を整列し、それらの相互作用を階層的に最大化することで、MCIまたはSCD関連の重要な地域および接続特性を効率的に学習する。
さらに,本手法の解釈可能性を高めるために,MCI/SCDを示す重要な脳領域と接続を明らかにするSynergistic Activation Map(SAM)技術を開発した。
adniデータセットと自己収集データに関する包括的評価は、ha-hiがmciとscdの診断において他の既存の方法よりも優れていることを示している。
この手法の実装はhttps://github.com/ICI-BCI/Dual-MRI-HA-HI.gitで公開されている。
関連論文リスト
- An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。
提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。
勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
論文 参考訳(メタデータ) (2024-03-29T20:32:30Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳(メタデータ) (2023-09-28T06:55:50Z) - 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) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-06-16T05:22:25Z) - 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) - 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) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳(メタデータ) (2021-07-21T09:02:29Z) - 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)
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。