論文の概要: Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images
- arxiv url: http://arxiv.org/abs/2406.12683v1
- Date: Tue, 18 Jun 2024 14:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 18:28:51.124238
- Title: Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images
- Title（参考訳）: 構造脳MRI画像からの統合失調症分類のための空間配列注意ネットワーク
- Authors: Nagur Shareef Shaik, Teja Krishna Cherukuri, Vince Calhoun, Dong Hye Ye,
- Abstract要約: 本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
- 参考スコア（独自算出の注目度）: 1.7199363076349776
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Schizophrenia is a debilitating, chronic mental disorder that significantly impacts an individual's cognitive abilities, behavior, and social interactions. It is characterized by subtle morphological changes in the brain, particularly in the gray matter. These changes are often imperceptible through manual observation, demanding an automated approach to diagnosis. This study introduces a deep learning methodology for the classification of individuals with Schizophrenia. We achieve this by implementing a diversified attention mechanism known as Spatial Sequence Attention (SSA) which is designed to extract and emphasize significant feature representations from structural MRI (sMRI). Initially, we employ the transfer learning paradigm by leveraging pre-trained DenseNet to extract initial feature maps from the final convolutional block which contains morphological alterations associated with Schizophrenia. These features are further processed by the proposed SSA to capture and emphasize intricate spatial interactions and relationships across volumes within the brain. Our experimental studies conducted on a clinical dataset have revealed that the proposed attention mechanism outperforms the existing Squeeze & Excitation Network for Schizophrenia classification.
- Abstract（参考訳）: 統合失調症 (Schizophrenia) は、個人の認知能力、行動、社会的相互作用に大きな影響を及ぼす、不安定で慢性的な精神障害である。
特に灰白質において、脳の微妙な形態変化を特徴とする。
これらの変化は手動による観察によって認識できないことが多く、診断に自動的なアプローチを必要とする。
本研究は、統合失調症患者の分類のための深層学習手法を紹介する。
本研究では,SSA(Spatial Sequence Attention)と呼ばれる,構造的MRI(sMRI)から重要な特徴表現を抽出し,強調する多角化アテンション機構を実装した。
まず,統合失調症に関連する形態変化を含む最終畳み込みブロックから,事前学習したDenseNetを用いて初期特徴写像を抽出する。
これらの特徴は、より複雑な空間的相互作用と脳内の体積間の関係を捉え、強調するために提案されたSSAによってさらに処理される。
本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
関連論文リスト
- 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) - Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。
本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。
本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
論文 参考訳（メタデータ） (2024-04-22T09:40:07Z) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳（メタデータ） (2023-02-23T09:22:05Z) - Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On
Aggregated Task-based fMRI Data [0.0]
統合失調症の発展の基盤となるメカニズムと、その再発、症状学、治療は謎のままである。
統合失調症の多様性と複雑な性質に対処するための適切な分析ツールがないことは、この疾患の発生に寄与する要因の1つである可能性がある。
深層学習は統合失調症の根底にあるメカニズムを理解する強力なツールになる可能性がある。
論文 参考訳（メタデータ） (2022-10-11T08:12:36Z) - Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。
深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。
皮質下領域と心室は最も予測可能な脳の領域である。
論文 参考訳（メタデータ） (2022-06-26T21:44:33Z) - fMRI Neurofeedback Learning Patterns are Predictive of Personal and
Clinical Traits [62.997667081978825]
機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。
署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
論文 参考訳（メタデータ） (2021-12-21T06:52:48Z) - MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network
Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。
我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文 参考訳（メタデータ） (2021-10-12T15:05:15Z) - Meta-learning on Spectral Images of Electroencephalogram of
Schizophenics [0.0]
統合失調症 (Schizophrenia) は、思考パターン、知覚、気分、行動の変化を含む複雑な精神疾患である。
神経イメージングと機械学習アルゴリズムの進歩は統合失調症の診断を促進する。
論文 参考訳（メタデータ） (2021-01-27T20:51:25Z) - Visualizing and Understanding Vision System [0.6510507449705342]
視覚認識再構成ネットワーク (RRN) を用いて, 発達, 認識, 学習, 忘れるメカニズムについて検討する。
数値認識研究では、RRNが様々な視聴条件下でオブジェクト不変性表現を維持できるのを目撃する。
学習・忘れ研究において、本来のシナプス接続のパターン特異性を保ちつつ、全シナプスを低等級に調整することで、新規な構造認識を行う。
論文 参考訳（メタデータ） (2020-06-11T07:08:49Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳（メタデータ） (2020-05-22T14:29:51Z)
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。