Fugu-MT 論文翻訳(概要): Multi-modal Imaging Genomics Transformer: Attentive Integration of Imaging with Genomic Biomarkers for Schizophrenia Classification

論文の概要: Multi-modal Imaging Genomics Transformer: Attentive Integration of Imaging with Genomic Biomarkers for Schizophrenia Classification

arxiv url: http://arxiv.org/abs/2407.19385v1
Date: Sun, 28 Jul 2024 03:54:08 GMT
ステータス: 処理完了
システム内更新日: 2024-07-30 18:32:13.542547
Title: Multi-modal Imaging Genomics Transformer: Attentive Integration of Imaging with Genomic Biomarkers for Schizophrenia Classification
Title（参考訳）: マルチモーダルイメージングゲノミクス変換器:統合失調症分類のための画像とゲノムバイオマーカーの統合
Authors: Nagur Shareef Shaik, Teja Krishna Cherukuri, Vince D. Calhoun, Dong Hye Ye,
Abstract要約: 統合失調症(SZ)は、様々な認知障害、脳の構造、機能、遺伝的要因の異常を特徴とする重度の脳障害である。既存の研究は、主にSZ診断のための構造的、機能的MRIなどの画像データに焦点を当てている。遺伝性SZ形質を同定する可能性にもかかわらず、ゲノム機能の統合にはあまり焦点が当てられていない。本研究では,SZ関連神経解剖学的・コネクトーム異常を捉えるために,ゲノミクスを構造的・機能的画像データと注意深く統合するマルチモーダルイメージングゲノミクストランス(MIGTrans)を提案する。
参考スコア（独自算出の注目度）: 14.518894157163627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Schizophrenia (SZ) is a severe brain disorder marked by diverse cognitive impairments, abnormalities in brain structure, function, and genetic factors. Its complex symptoms and overlap with other psychiatric conditions challenge traditional diagnostic methods, necessitating advanced systems to improve precision. Existing research studies have mostly focused on imaging data, such as structural and functional MRI, for SZ diagnosis. There has been less focus on the integration of genomic features despite their potential in identifying heritable SZ traits. In this study, we introduce a Multi-modal Imaging Genomics Transformer (MIGTrans), that attentively integrates genomics with structural and functional imaging data to capture SZ-related neuroanatomical and connectome abnormalities. MIGTrans demonstrated improved SZ classification performance with an accuracy of 86.05% (+/- 0.02), offering clear interpretations and identifying significant genomic locations and brain morphological/connectivity patterns associated with SZ.
Abstract（参考訳）: 統合失調症(SZ)は、様々な認知障害、脳の構造、機能、遺伝的要因の異常を特徴とする重度の脳障害である。その複雑な症状と他の精神疾患との重なり合いは、従来の診断方法に挑戦し、精度を向上させるために先進的なシステムを必要とする。既存の研究は、主にSZ診断のための構造的、機能的MRIなどの画像データに焦点を当てている。遺伝性SZ形質を同定する可能性にもかかわらず、ゲノム機能の統合にはあまり焦点が当てられていない。本研究では,SZ関連神経解剖学的・コネクトーム異常を捉えるために,ゲノミクスを構造的・機能的画像データと注意深く統合するマルチモーダルイメージングゲノミクストランス(MIGTrans)を提案する。 MIGTransは86.05%(+/-0.02)の精度でSZ分類性能を改善した。

関連論文リスト

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)
Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
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。
論文参考訳（メタデータ） (2024-06-18T14:55:41Z)
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)
GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Texts [8.805728428427457]
本稿では,Transformerアーキテクチャのみに基づくマルチモーダル機械学習(MML)アプローチを提案する。顔画像、人口統計情報(年齢、性別、民族)、臨床メモを統合して予測精度を向上させる。
論文参考訳（メタデータ） (2023-12-23T18:40:25Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文参考訳（メタデータ） (2022-02-27T02:19:09Z)
Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
論文参考訳（メタデータ） (2022-02-14T19:29:08Z)
Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。次に,大規模構造スキャンから空間整合機能画像を合成する。時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
論文参考訳（メタデータ） (2021-04-10T03:16:33Z)
An Overview on Artificial Intelligence Techniques for Diagnosis of Schizophrenia Based on Magnetic Resonance Imaging Modalities: Methods, Challenges, and Future Works [10.769064813142647]
統合失調症(SZ)は、通常、青年期後期または成人期に現れる精神障害である。これにより、患者の寿命は15年短縮される。磁気共鳴イメージング(MRI)は、構造的/機能的脳の異常を探索するために用いられる一般的な神経イメージング技術である。
論文参考訳（メタデータ） (2021-02-24T11:12:06Z)
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。