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

• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• 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)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• 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)
• BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck [38.281423869037575]
  機能的磁気共鳴画像(fMRI)解析のための新しいグラフニューラルネットワーク(GNN)フレームワークBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、目に見えないデータにうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-05-07T09:35:23Z)
• 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)
• 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)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• 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。