論文の概要: Analyzing Brain Tumor Connectomics using Graphs and Persistent Homology
- arxiv url: http://arxiv.org/abs/2407.17938v1
- Date: Thu, 25 Jul 2024 10:55:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-26 14:18:41.004242
- Title: Analyzing Brain Tumor Connectomics using Graphs and Persistent Homology
- Title（参考訳）: グラフと永続ホモロジーを用いた脳腫瘍コネトミクスの解析
- Authors: Debanjali Bhattacharya, Ninad Aithal, Manish Jayswal, Neelam Sinha,
- Abstract要約: 本研究では拡散強調画像を用いた全脳コネクトーム解析を行った。
確率的トラクトグラフィーは84の異なる脳領域を繋ぐ流線型の数をマッピングするために用いられる。
研究グループ間の差異が統計的に有意な脳領域を特定するために、詳細な統計分析を行う。
- 参考スコア（独自算出の注目度）: 2.474908349649168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent advances in molecular and genetic research have identified a diverse range of brain tumor sub-types, shedding light on differences in their molecular mechanisms, heterogeneity, and origins. The present study performs whole-brain connectome analysis using diffusionweighted images. To achieve this, both graph theory and persistent homology - a prominent approach in topological data analysis are employed in order to quantify changes in the structural connectivity of the wholebrain connectome in subjects with brain tumors. Probabilistic tractography is used to map the number of streamlines connecting 84 distinct brain regions, as delineated by the Desikan-Killiany atlas from FreeSurfer. These streamline mappings form the connectome matrix, on which persistent homology based analysis and graph theoretical analysis are executed to evaluate the discriminatory power between tumor sub-types that include meningioma and glioma. A detailed statistical analysis is conducted on persistent homology-derived topological features and graphical features to identify the brain regions where differences between study groups are statistically significant (p < 0.05). For classification purpose, graph-based local features are utilized, achieving a highest accuracy of 88%. In classifying tumor sub-types, an accuracy of 80% is attained. The findings obtained from this study underscore the potential of persistent homology and graph theoretical analysis of the whole-brain connectome in detecting alterations in structural connectivity patterns specific to different types of brain tumors.
- Abstract（参考訳）: 分子および遺伝研究の最近の進歩は、その分子機構、異質性、起源の違いについて様々な種類の脳腫瘍のサブタイプを特定している。
本研究では拡散強調画像を用いた全脳コネクトーム解析を行った。
これを達成するために、グラフ理論と永続的ホモロジー(英語版)の両方、つまりトポロジカルデータ解析における顕著なアプローチを用いて、脳腫瘍患者における全脳コネクトームの構造的接続の変化を定量化している。
確率的トラクトグラフィーは、FreeSurferのDesikan-Killiany atlasによって示されるように、84の異なる脳領域を繋ぐ流線型の数をマッピングするために用いられる。
これらの流線型マッピングはコネクトームマトリックスを形成し、持続的ホモロジーに基づく解析とグラフ理論解析が実行され、髄膜腫とグリオーマを含む腫瘍サブタイプの識別能力を評価する。
研究グループ間の違いが統計的に有意な脳領域を特定するために、永続的ホモロジー由来のトポロジ的特徴とグラフィカルな特徴について詳細な統計分析を行った(p < 0.05)。
分類の目的のためにグラフベースの局所的特徴が利用され、高い精度が88%に達する。
腫瘍サブタイプの分類では、80%の精度が達成される。
本研究から得られた知見は,脳腫瘍に特異的な構造的結合パターンの変化を検出する上で,脳全体コネクトームの持続的ホモロジーとグラフ理論的解析の可能性を明らかにするものである。
関連論文リスト
- Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - Multiple Instance Learning for Glioma Diagnosis using Hematoxylin and
Eosin Whole Slide Images: An Indian Cohort Study [31.789472128764036]
本研究は, 厳密な複数事例学習実験から得られた知見をもとに, 患者ケアを推し進めるものである。
複数のデータセットにまたがるグリオーマサブタイプ分類において、新しいパフォーマンスベンチマークを確立する。
論文 参考訳（メタデータ） (2024-02-24T14:59:19Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - A Preliminary Investigation into Search and Matching for Tumour
Discrimination in WHO Breast Taxonomy Using Deep Networks [3.3519874057464283]
最先端の深層学習モデルから抽出した深部像を用いて,35種類の腫瘍のWHO乳房分類を解析した。
WHOの乳腺分類データにおけるパッチ類似性検索は、「多数投票」による検証で88%以上の精度に達した。
これらの結果から, 乳房病変と乳房病変の複雑な関係について, 索引付きデジタルアーカイブを用いて検討した。
論文 参考訳（メタデータ） (2023-08-22T03:40:46Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - 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) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable
Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。
我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。
本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文 参考訳（メタデータ） (2021-08-04T20:40:05Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - 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。