論文の概要: Cross--domain Fiber Cluster Shape Analysis for Language Performance Cognitive Score Prediction

• arxiv url: http://arxiv.org/abs/2403.19001v1
• Date: Wed, 27 Mar 2024 20:51:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 18:01:50.980546
• Title: Cross--domain Fiber Cluster Shape Analysis for Language Performance Cognitive Score Prediction
• Title（参考訳）: 言語性能認知スコア予測のためのクロスドメインファイバクラスタ形状解析
• Authors: Yui Lo, Yuqian Chen, Dongnan Liu, Wan Liu, Leo Zekelman, Fan Zhang, Yogesh Rathi, Nikos Makris, Alexandra J. Golby, Weidong Cai, Lauren J. O'Donnell,
• Abstract要約: 脳画像における形状解析は、人間の脳の構造と機能の相関を解釈するのに役立ちます。 拡散磁気共鳴画像(dMRI)による脳の3D点配列の再構成を行った。 本稿では,マルチヘッド型クロスアテンション機能融合モジュールを利用して,対象言語の性能を予測する新しいフレームワーク,シェイプフューズファイバクラスタトランス (SFFormer) を提案する。
• 参考スコア（独自算出の注目度）: 41.018326648532586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape plays an important role in computer graphics, offering informative features to convey an object's morphology and functionality. Shape analysis in brain imaging can help interpret structural and functionality correlations of the human brain. In this work, we investigate the shape of the brain's 3D white matter connections and its potential predictive relationship to human cognitive function. We reconstruct brain connections as sequences of 3D points using diffusion magnetic resonance imaging (dMRI) tractography. To describe each connection, we extract 12 shape descriptors in addition to traditional dMRI connectivity and tissue microstructure features. We introduce a novel framework, Shape--fused Fiber Cluster Transformer (SFFormer), that leverages a multi-head cross-attention feature fusion module to predict subject-specific language performance based on dMRI tractography. We assess the performance of the method on a large dataset including 1065 healthy young adults. The results demonstrate that both the transformer-based SFFormer model and its inter/intra feature fusion with shape, microstructure, and connectivity are informative, and together, they improve the prediction of subject-specific language performance scores. Overall, our results indicate that the shape of the brain's connections is predictive of human language function.
• Abstract（参考訳）: 形状はコンピュータグラフィックスにおいて重要な役割を担い、物体の形態や機能を伝達する情報的特徴を提供する。 脳画像における形状解析は、人間の脳の構造と機能の相関を解釈するのに役立ちます。 本研究では,脳の3次元白質結合の形状と,人間の認知機能に対する潜在的な予測的関係について検討する。 拡散磁気共鳴画像(dMRI)による脳の3D点配列の再構成を行った。 それぞれの接続を記述するために、従来のdMRI接続と組織微細構造の特徴に加えて、12個の形状記述子を抽出する。 マルチヘッド型クロスアテンション機能融合モジュールを用いて,dMRIトラクタグラフィーに基づく主観的言語性能の予測を行う新しいフレームワークであるシェイプ・フューズ・ファイバ・クラスタ・トランスフォーマ(SFFormer)を導入する。 健常成人1065名を対象に,本手法の有効性について検討した。 以上の結果から,トランスフォーマーベースSFFormerモデルと,形状,微細構造,接続性を考慮したイントラ機能融合がともに有益であることが示され,それらとともに,対象言語の性能評価の精度が向上することが示唆された。 以上の結果から,脳の接続の形状は人間の言語機能を予測することが示唆された。

関連論文リスト

• The shape of the brain's connections is predictive of cognitive performance: an explainable machine learning study [40.03957000152382]
  dMRIトラクトグラフィー由来の形状の変動が、個体間での脳の機能的変動と関係しているかどうかは不明である。 本研究は, トラクトログラフィー・ファイバ・クラスタ形状測定を応用し, 被験者固有の認知能力を予測することの可能性を探る。
  論文  参考訳（メタデータ） (2024-10-19T13:43:51Z)
• Integrated Brain Connectivity Analysis with fMRI, DTI, and sMRI Powered by Interpretable Graph Neural Networks [17.063133885403154]
  我々は, 磁気共鳴イメージング, 拡散テンソルイメージング, 構造MRIを結合構造に統合した。 提案手法は,ニューラルネットワークの重み付けにマスキング戦略を導入し,マルチモーダル画像データの総合的アマルガメーションを容易にする。 このモデルは、ヒューマンコネクトームプロジェクト(Human Connectome Project)の開発研究に応用され、若年期のマルチモーダルイメージングと認知機能との関係を明らかにする。
  論文  参考訳（メタデータ） (2024-08-26T13:16:42Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Psychometry: An Omnifit Model for Image Reconstruction from Human Brain Activity [60.983327742457995]
  人間の脳活動から見るイメージを再構築することで、人間とコンピュータのビジョンをBrain-Computer Interfaceを通して橋渡しする。 異なる被験者から得られた機能的磁気共鳴イメージング(fMRI)による画像再構成のための全能モデルであるサイコメトリを考案した。
  論文  参考訳（メタデータ） (2024-03-29T07:16:34Z)
• 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 Structure-Function Fusing Representation Learning using Adversarial Decomposed-VAE for Analyzing MCI [17.757114703434027]
  fMRI画像から融合表現を学習するために,新しい脳構造関数Fusing-Representation Learning (BSFL)モデルを提案する。 提案モデルは,軽度認知障害(MCI)の予測と解析において,他の競合手法よりも優れた性能を実現する。 このモデルは、統合された脳ネットワークを再構築し、MCIの変性過程中に異常な接続を予測するための潜在的なツールとなるかもしれない。
  論文  参考訳（メタデータ） (2023-05-23T11:19:02Z)
• Controllable Mind Visual Diffusion Model [58.83896307930354]
  脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。 我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。 CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。 そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
  論文  参考訳（メタデータ） (2023-05-17T11:36:40Z)
• Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes [13.815863556151834]
  長さ, 直径, 伸長の3つの基本形状の特徴に着目した。 脳の大きさによる予測バイアスを低減するため、正規化形状の特徴についても検討した。
  論文  参考訳（メタデータ） (2023-03-16T07:39:07Z)
• 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)

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。