論文の概要: Graph Theory and GNNs to Unravel the Topographical Organization of Brain
Lesions in Variants of Alzheimer's Disease Progression
- arxiv url: http://arxiv.org/abs/2403.00636v1
- Date: Fri, 1 Mar 2024 16:16:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 16:57:26.294321
- Title: Graph Theory and GNNs to Unravel the Topographical Organization of Brain
Lesions in Variants of Alzheimer's Disease Progression
- Title(参考訳): アルツハイマー病の進行にともなう脳病変の地形的組織を解明するためのグラフ理論とGNN
- Authors: Leopold Hebert-Stevens, Gabriel Jimenez, Benoit Delatour, Lev Stimmer,
Daniel Racoceanu
- Abstract要約: 本研究は,アルツハイマー病(AD)神経病理の変動を評価するために,グラフ理論と深層学習を利用する。
死後脳組織におけるアミロイドプラークとタウタングルの分布を解析した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study utilizes graph theory and deep learning to assess variations in
Alzheimer's disease (AD) neuropathologies, focusing on classic (cAD) and rapid
(rpAD) progression forms. It analyses the distribution of amyloid plaques and
tau tangles in postmortem brain tissues. Histopathological images are converted
into tau-pathology-based graphs, and derived metrics are used for statistical
analysis and in machine learning classifiers. These classifiers incorporate
SHAP value explainability to differentiate between cAD and rpAD. Graph neural
networks (GNNs) demonstrate greater efficiency than traditional CNN methods in
analyzing this data, preserving spatial pathology context. Additionally, GNNs
provide significant insights through explainable AI techniques. The analysis
shows denser networks in rpAD and a distinctive impact on brain cortical
layers: rpAD predominantly affects middle layers, whereas cAD influences both
superficial and deep layers of the same cortical regions. These results suggest
a unique neuropathological network organization for each AD variant.
- Abstract(参考訳): 本研究は,古典的(cAD)および急激な(rpAD)進行様式に着目し,アルツハイマー病(AD)神経病理の変動を評価するためにグラフ理論と深層学習を利用する。
死後脳組織におけるアミロイドプラークとタウタングルの分布を解析した。
病理像はタウ病理図に変換され、統計解析や機械学習分類に導出した指標が用いられる。
これらの分類器は、cADとrpADを区別するためにSHAP値の説明可能性を含んでいる。
グラフニューラルネットワーク(GNN)は、このデータを解析し、空間病理コンテキストを保存する際に、従来のCNN手法よりも高い効率を示す。
さらに、GNNは説明可能なAI技術を通じて重要な洞察を提供する。
rpADは中層に大きく影響し、cADは同じ皮質領域の表層層と深層の両方に影響を及ぼす。
これらの結果は,各広告変種に対する特異な神経病理学的ネットワーク構成を示唆する。
関連論文リスト
- Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳(メタデータ) (2023-05-02T22:15:54Z) - A Comparative Study of Graph Neural Networks for Shape Classification in
Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。
ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。
以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文 参考訳(メタデータ) (2022-10-29T19:03:01Z) - Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。
本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。
以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。
アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文 参考訳(メタデータ) (2022-10-28T18:58:34Z) - 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) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳(メタデータ) (2022-07-14T20:03:52Z) - Towards better Interpretable and Generalizable AD detection using
Collective Artificial Intelligence [0.0]
アルツハイマー病の診断と予後を自動化するための深層学習法が提案されている。
これらの手法は、しばしば解釈可能性と一般化の欠如に悩まされる。
我々はこれらの制限を克服するために設計された新しいディープ・フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-07T13:02:53Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Image analysis for Alzheimer's disease prediction: Embracing
pathological hallmarks for model architecture design [8.583436410810204]
アルツハイマー病(AD)は局所性(例えば脳組織萎縮)と大脳変化(脳との接続の欠如)と関連している
我々は、疾患脳における$textitlocal$と$textitglobal$の変化を同時にキャプチャする、新しくて高度にスケール可能なアプローチを導入する。
パッチベースの高解像度の3D-CNNとグローバルなトポロジ的特徴を組み合わせたニューラルネットワークアーキテクチャに基づいている。
論文 参考訳(メタデータ) (2020-11-12T17:42:49Z) - Interpretation of Brain Morphology in Association to Alzheimer's Disease
Dementia Classification Using Graph Convolutional Networks on Triangulated
Meshes [6.088308871328403]
本研究では,脳皮質下構造のメッシュ表現を用いたアルツハイマー病認知症(ADD)の分類を支援するメッシュベースの手法を提案する。
我々は、ADD対健全な制御問題に対して96.35%のテスト精度で、他の機械学習手法よりも優れています。
論文 参考訳(メタデータ) (2020-08-14T01:10:39Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。