論文の概要: End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence
- arxiv url: http://arxiv.org/abs/2407.12553v1
- Date: Wed, 17 Jul 2024 13:34:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-18 17:07:03.132643
- Title: End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence
- Title（参考訳）: 貯水池型有効接続と解釈可能な人工知能を用いたエンドツーエンドストローク画像解析
- Authors: Wojciech Ciezobka, Joan Falco-Roget, Cemal Koba, Alessandro Crimi,
- Abstract要約: 本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。
この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
- 参考スコア（独自算出の注目度）: 42.52549987351643
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a reservoir computing-based and directed graph analysis pipeline. The goal of this pipeline is to define an efficient brain representation for connectivity in stroke data derived from magnetic resonance imaging. Ultimately, this representation is used within a directed graph convolutional architecture and investigated with explainable artificial intelligence (AI) tools. Stroke is one of the leading causes of mortality and morbidity worldwide, and it demands precise diagnostic tools for timely intervention and improved patient outcomes. Neuroimaging data, with their rich structural and functional information, provide a fertile ground for biomarker discovery. However, the complexity and variability of information flow in the brain requires advanced analysis, especially if we consider the case of disrupted networks as those given by the brain connectome of stroke patients. To address the needs given by this complex scenario we proposed an end-to-end pipeline. This pipeline begins with reservoir computing causality, to define effective connectivity of the brain. This allows directed graph network representations which have not been fully investigated so far by graph convolutional network classifiers. Indeed, the pipeline subsequently incorporates a classification module to categorize the effective connectivity (directed graphs) of brain networks of patients versus matched healthy control. The classification led to an area under the curve of 0.69 with the given heterogeneous dataset. Thanks to explainable tools, an interpretation of disrupted networks across the brain networks was possible. This elucidates the effective connectivity biomarker's contribution to stroke classification, fostering insights into disease mechanisms and treatment responses.
- Abstract（参考訳）: 本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目的は、磁気共鳴画像から得られる脳卒中データに接続するための効率的な脳表現を定義することである。
最終的に、この表現は、有向グラフ畳み込みアーキテクチャ内で使用され、説明可能な人工知能(AI)ツールで調査される。
ストロークは世界中で死亡率と死亡率の主な原因の1つであり、タイムリーな介入と患者の予後改善のための正確な診断ツールを必要としている。
神経画像データは、その豊富な構造的および機能的な情報によって、バイオマーカー発見のための肥大した土台を提供する。
しかし、脳卒中患者の脳コネクトームによって与えられるネットワークが破壊された場合を考えると、脳内の情報フローの複雑さと変動性は高度な分析を必要とする。
この複雑なシナリオで得られるニーズに対処するために、私たちはエンドツーエンドのパイプラインを提案しました。
このパイプラインは、脳の効果的な接続を定義するために、貯水池コンピューティングの因果関係から始まる。
これにより、グラフ畳み込みネットワーク分類器によって、これまで十分に研究されていない有向グラフネットワーク表現が可能になる。
実際、パイプラインはその後分類モジュールを組み込んで、患者の脳ネットワークの効果的な接続性(方向グラフ)と健康管理の整合を分類する。
この分類は、与えられたヘテロジニアスデータセットを持つ曲線0.69の領域に導いた。
説明可能なツールのおかげで、脳ネットワークを横断する破壊されたネットワークの解釈が可能になった。
これにより、脳卒中分類への効果的なコネクティビティ・バイオマーカーの貢献が解明され、疾患のメカニズムや治療反応に対する洞察が育まれる。
関連論文リスト
- 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) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Deep Feature Fusion via Graph Convolutional Network for Intracranial
Artery Labeling [9.85779770378859]
頭蓋内動脈は、脳に酸素を供給している重要な血管である。
脳動脈の解剖学的ラベル付けにおいて、様々な機械学習アルゴリズムが自動化されている。
本研究では,脳動脈ラベリングのための深部核融合を用いた新しいグラフ畳み込みニューラルネットワークについて検討した。
論文 参考訳（メタデータ） (2022-05-22T06:11:21Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network
for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。
また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-06-16T12:13:23Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z)
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。