論文の概要: AFBT GAN: enhanced explainability and diagnostic performance for
cognitive decline by counterfactual generative adversarial network
- arxiv url: http://arxiv.org/abs/2403.01758v1
- Date: Mon, 4 Mar 2024 06:24:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:55:54.091454
- Title: AFBT GAN: enhanced explainability and diagnostic performance for
cognitive decline by counterfactual generative adversarial network
- Title(参考訳): AFBT GAN: 対向生成対向ネットワークによる認知機能低下のための説明可能性と診断性能の向上
- Authors: Xiongri Shen, Zhenxi Song, Zhiguo Zhang
- Abstract要約: 健常者(HC)が主観的認知低下(SCD)と軽度認知障害(MCI)に発展する際の神経変性関連領域に関する事前知識を提供する。
提案手法は, ソースラベル FC から派生したターゲットラベル FC 行列を生成し, ターゲットラベル FC を用いてソースラベル FC を減算する。
評価実験は, 臨床・公共両方のデータセットで実施され, 生成した注目マップは認知機能と重要な相関関係があり, 診断性能も重要である。
- 参考スコア(独自算出の注目度): 1.5089621999085696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing explanation results of functional connectivity (FC) are normally
generated by using classification result labels and correlation analysis
methods such as Pearson's correlation or gradient backward. However, the
diagnostic model is still trained on the black box model and might lack the
attention of FCs in important regions during the training. To enhance the
explainability and improve diagnostic performance, providing prior knowledge on
neurodegeneration-related regions when healthy subjects (HC) develop into
subject cognitive decline (SCD) and mild cognitive impairment (MCI) for the
diagnostic model is a key step. To better determine the
neurodegeneration-related regions, we employ counterfactual reasoning to
generate the target label FC matrices derived from source label FC and then
subtract source label FC with target label FC. The counterfactual reasoning
architecture is constructed by adaptive forward and backward transformer
generative adversarial network (AFBT GAN), which is specifically designed by
network property in FC and inverse patch embedding operation in the
transformer. The specific design can make the model focus more on the current
network correlation and employ the global insight of the transformer to
reconstruct FC, which both help the generation of high-quality target label FC.
The validation experiments are conducted on both clinical and public datasets,
the generated attention map are both vital correlated to cognitive function and
the diagnostic performance is also significant. The code is available at
https://github.com/SXR3015/AFBT-GAN.
- Abstract(参考訳): 関数接続(fc)の既存の説明結果は、分類結果ラベルとピアソンの相関や勾配といった相関分析法を用いて通常生成される。
しかし、診断モデルは依然としてブラックボックスモデルで訓練されており、トレーニング中に重要な地域でのFCの注意を欠く可能性がある。
健常者(HC)が主観的認知低下(SCD)に陥り、診断モデルに対する軽度認知障害(MCI)が重要なステップである場合に、神経変性関連領域に関する事前知識を提供することにより、説明性を高め、診断性能を向上させる。
神経変性関連領域をよりよく判定するために,我々は,ソースラベルFCから派生したターゲットラベルFC行列を生成し,ターゲットラベルFCをサブトラクションしたソースラベルFCを生成する。
逆ファクト推論アーキテクチャは、適応型前方および後方変換器生成対向ネットワーク(AFBT GAN)によって構成され、FCのネットワーク特性と逆パッチ埋め込み操作によって特別に設計されている。
具体的設計により、モデルは現在のネットワーク相関に集中でき、トランスフォーマーのグローバルな洞察を利用してFCを再構築し、どちらも高品質なターゲットラベル FC の生成に役立てることができる。
評価実験は, 臨床と公衆の両方で実施され, 生成した注目マップは認知機能と重要な相関関係があり, 診断性能も重要である。
コードはhttps://github.com/SXR3015/AFBT-GANで公開されている。
関連論文リスト
- Exploring General Intelligence via Gated Graph Transformer in Functional
Connectivity Studies [39.82681427764513]
Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている
フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
論文 参考訳(メタデータ) (2024-01-18T19:28:26Z) - A Learnable Counter-condition Analysis Framework for Functional
Connectivity-based Neurological Disorder Diagnosis [8.1410193893176]
本稿では,診断(特徴選択と特徴抽出)と説明を体系的に統合する新しい統合フレームワークを提案する。
最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供し、反条件分析とも呼ばれる。
論文 参考訳(メタデータ) (2023-10-06T01:33:47Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - Beyond the Snapshot: Brain Tokenized Graph Transformer for Longitudinal
Brain Functional Connectome Embedding [4.7719542185589585]
脳機能コネクトーム(FC)をベースとしたグラフニューラルネットワーク(GNN)は、アルツハイマー病(AD)などの神経変性疾患の診断と予後に有用なツールとして登場した。
しかし、これらのモデルは、FC軌跡を特徴付けるのではなく、単一の時点における脳内FC用に調整されている。
本研究は神経変性疾患の診断と予後に応用した,脳内FC軌道埋め込みのための最初の解釈可能な枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-03T08:57:30Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Graph-Regularized Manifold-Aware Conditional Wasserstein GAN for Brain
Functional Connectivity Generation [13.009230460620369]
SPD多様体上でのFCデータ生成のためのグラフ正規化条件付きWasserstein GAN(GR-SPD-GAN)を提案する。
GR-SPD-GANは、より現実的なfMRIベースのFCサンプルを生成する際に、最先端のGANよりも明らかに優れている。
論文 参考訳(メタデータ) (2022-12-10T14:51:44Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Interpretable Fusion Analytics Framework for fMRI Connectivity:
Self-Attention Mechanism and Latent Space Item-Response Model [0.0]
本稿では,ディープラーニングプロセスの分類結果を解釈する新しい分析フレームワークを提案する。
この枠組みを4種類の認知障害に適用することにより,本手法が重要なROI関数の決定に有効であることを示す。
論文 参考訳(メタデータ) (2022-07-04T17:01:18Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳(メタデータ) (2022-06-04T13:16:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。
ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。
RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文 参考訳(メタデータ) (2020-07-05T21:42:26Z)
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。