論文の概要: Early-stage detection of cognitive impairment by hybrid quantum-classical algorithm using resting-state functional MRI time-series

• arxiv url: http://arxiv.org/abs/2405.01554v1
• Date: Sat, 16 Mar 2024 15:10:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 11:09:59.130705
• Title: Early-stage detection of cognitive impairment by hybrid quantum-classical algorithm using resting-state functional MRI time-series
• Title（参考訳）: 静止機能MRI時系列を用いたハイブリッド量子古典アルゴリズムによる認知障害の早期検出
• Authors: Junggu Choi, Tak Hur, Daniel K. Park, Na-Young Shin, Seung-Koo Lee, Hakbae Lee, Sanghoon Han,
• Abstract要約: 本研究は、関心のある時系列データを分類するためのハイブリッド量子古典アルゴリズムの適用について検討する。 古典的な1次元畳み込み層は、我々のハイブリッドアルゴリズムにおける量子畳み込みニューラルネットワークと共に使用される。
• 参考スコア（独自算出の注目度）: 0.36468539946348383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Following the recent development of quantum machine learning techniques, the literature has reported several quantum machine learning algorithms for disease detection. This study explores the application of a hybrid quantum-classical algorithm for classifying region-of-interest time-series data obtained from resting-state functional magnetic resonance imaging in patients with early-stage cognitive impairment based on the importance of cognitive decline for dementia or aging. Classical one-dimensional convolutional layers are used together with quantum convolutional neural networks in our hybrid algorithm. In the classical simulation, the proposed hybrid algorithms showed higher balanced accuracies than classical convolutional neural networks under the similar training conditions. Moreover, a total of nine brain regions (left precentral gyrus, right superior temporal gyrus, left rolandic operculum, right rolandic operculum, left parahippocampus, right hippocampus, left medial frontal gyrus, right cerebellum crus, and cerebellar vermis) among 116 brain regions were found to be relatively effective brain regions for the classification based on the model performances. The associations of the selected nine regions with cognitive decline, as found in previous studies, were additionally validated through seed-based functional connectivity analysis. We confirmed both the improvement of model performance with the quantum convolutional neural network and neuroscientific validities of brain regions from our hybrid quantum-classical model.
• Abstract（参考訳）: 量子機械学習技術の最近の発展に続いて、この文献は病気検出のためのいくつかの量子機械学習アルゴリズムを報告している。 本研究は,認知症や老化の認知機能低下の重要度に基づく早期認知障害患者において,静止機能型磁気共鳴画像から得られた関心領域の時系列データを分類するためのハイブリッド量子古典アルゴリズムの適用について検討した。 古典的な1次元畳み込み層は、我々のハイブリッドアルゴリズムにおける量子畳み込みニューラルネットワークと共に使用される。 古典的シミュレーションでは、提案したハイブリッドアルゴリズムは、類似の訓練条件下での古典的畳み込みニューラルネットワークよりも高いバランスの取れた精度を示した。 さらに,脳の9つの領域(左中心回,右上側頭回,左ローランド回,右ローランド回,右海馬,右海馬,左前頭回,右小脳回,小脳回,小脳回,小脳回)が,モデル性能に基づく分類において比較的有効な脳領域であることが判明した。 前回の研究では, 認知機能低下を伴う9つの領域の関連性について, シードベース機能接続分析により検証した。 我々は、量子畳み込みニューラルネットワークによるモデル性能の向上と、我々のハイブリッド量子古典モデルによる脳領域の神経科学的妥当性の両立を確認した。

関連論文リスト

• Brain-JEPA: Brain Dynamics Foundation Model with Gradient Positioning and Spatiotemporal Masking [5.528773909620209]
  Brain-JEPAは、JEPA(Joint-Embedding Predictive Architecture)を用いた脳動力学基礎モデルである Brain-JEPAは2つの革新的な技術、Brain Gradient PositioningとSpatiotemporal Maskingを取り入れている。
  論文  参考訳（メタデータ） (2024-09-28T17:06:06Z)
• An ensemble framework approach of hybrid Quantum convolutional neural networks for classification of breast cancer images [2.1659912179830023]
  量子ニューラルネットワークは、ネットワークモデルを学習してスケールアップする能力において、古典的なニューラルネットワークを置き換えるのに適していると考えられている。 医用画像分類は、ディープラーニング、特に畳み込みニューラルネットワークの応用によく関係している。
  論文  参考訳（メタデータ） (2024-09-24T10:43:27Z)
• Towards the Discovery of Down Syndrome Brain Biomarkers Using Generative Models [0.0]
  我々は変分オートエンコーダと拡散モデルに基づく最先端の脳異常検出モデルの評価を行った。 以上の結果から、ダウン症候群の脳解剖を特徴付ける一次変化を効果的に検出するモデルが存在することが示唆された。
  論文  参考訳（メタデータ） (2024-09-20T12:01:15Z)
• 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)
• Explainable concept mappings of MRI: Revealing the mechanisms underlying deep learning-based brain disease classification [9.637454568121425]
  近年の研究では、ディープニューラルネットワークを用いたアルツハイマー病の分類において高い精度が示されている。 モデル検証のためのディープニューラルネットワークによって学習された概念を介して、脳領域の変化を特定する。
  論文  参考訳（メタデータ） (2024-04-16T09:56:08Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Markovian Quantum Neuroevolution for Machine Learning [0.0]
  本稿では,機械学習タスクに最適な量子ニューラルネットワークを自律的に見つける量子神経進化アルゴリズムを提案する。 特に、量子回路と有向グラフの1対1マッピングを確立し、適切なゲート列を見つける問題を減らす。
  論文  参考訳（メタデータ） (2020-12-30T12:42:38Z)
• 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。