論文の概要: Towards understanding the nature of direct functional connectivity in visual brain network

• arxiv url: http://arxiv.org/abs/2403.11480v1
• Date: Mon, 18 Mar 2024 05:03:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 16:36:25.763427
• Title: Towards understanding the nature of direct functional connectivity in visual brain network
• Title（参考訳）: 視覚脳ネットワークにおける直接機能接続の性質の理解に向けて
• Authors: Debanjali Bhattacharya, Neelam Sinha,
• Abstract要約: 様々な種類の視覚脳ネットワーク(VBN)を探索するために、fMRI時系列(TS)の包括的解析を行った。 画像複雑性特異的なVBN分類では、XGBoostは正に相関したVBNに対して86.5%から91.5%の範囲で平均精度を得る。
• 参考スコア（独自算出の注目度）: 3.038642416291856
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in neuroimaging have enabled studies in functional connectivity (FC) of human brain, alongside investigation of the neuronal basis of cognition. One important FC study is the representation of vision in human brain. The release of publicly available dataset BOLD5000 has made it possible to study the brain dynamics during visual tasks in greater detail. In this paper, a comprehensive analysis of fMRI time series (TS) has been performed to explore different types of visual brain networks (VBN). The novelty of this work lies in (1) constructing VBN with consistently significant direct connectivity using both marginal and partial correlation, which is further analyzed using graph theoretic measures, (2) classification of VBNs as formed by image complexity-specific TS, using graphical features. In image complexity-specific VBN classification, XGBoost yields average accuracy in the range of 86.5% to 91.5% for positively correlated VBN, which is 2% greater than that using negative correlation. This result not only reflects the distinguishing graphical characteristics of each image complexity-specific VBN, but also highlights the importance of studying both positively correlated and negatively correlated VBN to understand the how differently brain functions while viewing different complexities of real-world images.
• Abstract（参考訳）: 神経イメージングの最近の進歩は、認知の神経基盤の研究とともに、人間の脳の機能的接続(FC)の研究を可能にしている。 1つの重要なFC研究は、人間の脳における視覚の表現である。 公開されたデータセットBOLD5000のリリースにより、視覚タスク中の脳のダイナミクスをより詳細に研究できるようになった。 本稿では、様々な種類の視覚脳ネットワーク(VBN)を探索するために、fMRI時系列(TS)の包括的解析を行った。 この研究の新規性は、(1)境界相関と部分相関の両方を用いて連続的に有意な直接接続性を持つVBNを構築し、さらにグラフ理論測度を用いて解析し、(2)画像複雑性特異的TSによって形成されるVBNの分類をグラフィカル特徴量を用いて行うことである。 画像複雑性特異的なVBN分類では、XGBoostは正に相関したVBNに対して86.5%から91.5%の範囲で平均精度を得る。 この結果は、各画像の複雑性特異的なVBNのグラフィカルな特徴の区別を反映するだけでなく、正相関と負相関の両方のVBNを研究することの重要性を強調し、実際の画像の複雑さを観察しながら、脳機能の違いを理解することの重要性を強調している。

関連論文リスト

• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
  本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。 本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
  論文  参考訳（メタデータ） (2023-11-06T20:58:07Z)
• TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis [27.23929515170454]
  本稿ではテンプレート誘発脳グラフ学習(TiBGL)と呼ばれる新しい脳グラフ学習フレームワークを提案する。 TiBGLには識別能力と解釈能力がある。 3つの実世界のデータセットによる実験結果から,提案したTiBGLは,9つの最先端手法と比較して優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-14T15:17:42Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• 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)
• 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)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、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促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• The Neural Correlates of Image Texture in the Human Vision Using Magnetoencephalography [1.3198689566654107]
  画像のテクスチャ特性は、人間とコンピュータの両方の視覚アプリケーションにおいて、オブジェクト認識タスクにおいて最も重要な特徴の1つである。 ここでは, コントラスト, 均一性, エネルギー, 相関関係を含む4つのよく知られた統計テクスチャの特徴のニューラルシグネチャについて検討した。 結果: コントラスト, 同質性, エネルギー, 相関関係の順で, これら4つのテクスチャ記述子の処理における階層構造について検討した。
  論文  参考訳（メタデータ） (2021-11-16T01:09:51Z)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)

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。