論文の概要: Labeling subtypes in a Parkinson's Cohort using Multifeatures in MRI - Integrating Grey and White Matter Information
- arxiv url: http://arxiv.org/abs/2403.17332v1
- Date: Tue, 26 Mar 2024 02:32:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-27 16:55:40.567591
- Title: Labeling subtypes in a Parkinson's Cohort using Multifeatures in MRI - Integrating Grey and White Matter Information
- Title（参考訳）: MRIにおける多機能画像を用いたパーキンソンコホート内のラベリングサブタイプ -GreyとWhiteの情報を統合して-
- Authors: Tanmayee Samantaray, Jitender Saini, Pramod Kumar Pal, Bithiah Grace Jaganathan, Vijaya V Saradhi, Gupta CN,
- Abstract要約: 相互K-Nearest Neighbor(MKNN)を用いた脳ネットワーク解析
パーキンソン病180例のMRI像とNIMHANS70例の解析を行った。
- 参考スコア（独自算出の注目度）: 0.05311301767110321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thresholding of networks has long posed a challenge in brain connectivity analysis. Weighted networks are typically binarized using threshold measures to facilitate network analysis. Previous studies on MRI-based brain networks have predominantly utilized density or sparsity-based thresholding techniques, optimized within specific ranges derived from network metrics such as path length, clustering coefficient, and small-world index. Thus, determination of a single threshold value for facilitating comparative analysis of networks remains elusive. To address this, our study introduces Mutual K-Nearest Neighbor (MKNN)-based thresholding for brain network analysis. Here, nearest neighbor selection is based on the highest correlation between features of brain regions. Construction of brain networks was accomplished by computing Pearson correlations between grey matter volume and white matter volume for each pair of brain regions. Structural MRI data from 180 Parkinsons patients and 70 controls from the NIMHANS, India were analyzed. Subtypes within Parkinsons disease were identified based on grey and white matter volume atrophy using source-based morphometric decomposition. The loading coefficients were correlated with clinical features to discern clinical relationship with the deciphered subtypes. Our data-mining approach revealed: Subtype A (N = 51, intermediate type), Subtype B (N = 57, mild-severe type with mild motor symptoms), and Subtype AB (N = 36, most-severe type with predominance in motor impairment). Subtype-specific weighted matrices were binarized using MKNN-based thresholding for brain network analysis. Permutation tests on network metrics of resulting bipartite graphs demonstrated significant group differences in betweenness centrality and participation coefficient. The identified hubs were specific to each subtype, with some hubs conserved across different subtypes.
- Abstract（参考訳）: ネットワークの保持は、長い間、脳の接続分析において課題を提起してきた。
重み付きネットワークは通常、ネットワーク分析を容易にするしきい値を使って二項化される。
MRIベースの脳ネットワークに関するこれまでの研究は、パス長、クラスタリング係数、小世界の指標といったネットワーク指標から派生した特定の範囲で最適化された密度または疎性に基づくしきい値付け技術を主に利用してきた。
したがって、ネットワークの比較分析を容易にするための1つのしきい値の決定は、いまだ解明されていない。
そこで本研究では,脳ネットワーク解析のためのMKNNベースのしきい値解析について紹介する。
ここでは、最も近い隣人選択は、脳領域の特徴の最も高い相関に基づく。
脳ネットワークの構築は、各脳領域の灰白質量と白質量とのピアソン相関を計算することで達成された。
パーキンソン病180例のMRI像とNIMHANS70例の解析を行った。
パーキンソン病のサブタイプは, ソースベースモルフォメトリー分解法を用いて, 灰色および白質の体積萎縮症に基づいて同定した。
負荷係数は臨床的特徴と相関し, 解読されたサブタイプと臨床関係を識別した。
データマイニングでは, サブタイプA (N = 51, 中間型), サブタイプB (N = 57, 軽度運動症状を伴う軽度重症型), サブタイプAB (N = 36, 運動障害に先行する最重症型) が認められた。
サブタイプ特異的重み付き行列は、脳ネットワーク解析のためにMKNNベースのしきい値を用いて二項化した。
得られた二部グラフのネットワークメトリクスの置換試験では, 中心性と参加係数の有意なグループ差が認められた。
特定されたハブは各サブタイプに固有のものであり、いくつかのハブは異なるサブタイプにまたがって保存されていた。
関連論文リスト
- Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
早期認知症への転換の予測は、その進行を緩和するために重要である。
従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。
Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
論文 参考訳（メタデータ） (2024-03-20T06:46:01Z) - Unique Brain Network Identification Number for Parkinson's Individuals
Using Structural MRI [0.060379119983736775]
本稿では,個々の被験者の脳ネットワークを符号化する新しいアルゴリズム,Unique Brain Network Identification Number, UBNINを提案する。
各被験者の脳容積を解析し,各領域の灰白質容積の相関関係を用いて個々の隣接行列を構築した。
UBNINの数値表現は個々の脳ネットワークごとに異なることが観察された。
論文 参考訳（メタデータ） (2023-06-02T17:03:39Z) - 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) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Automatic Semantic Segmentation of the Lumbar Spine. Clinical
Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。
提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
論文 参考訳（メタデータ） (2021-11-16T17:33:05Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - 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) - BrainNetGAN: Data augmentation of brain connectivity using generative
adversarial network for dementia classification [9.312868504719193]
アルツハイマー病は最も一般的な年齢関連認知症である。
脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。
アルツハイマー病は最も一般的な年齢関連認知症である。
論文 参考訳（メタデータ） (2021-03-10T23:44:53Z) - 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。