論文の概要: STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data

• arxiv url: http://arxiv.org/abs/2407.21323v1
• Date: Wed, 31 Jul 2024 04:06:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 18:51:29.046919
• Title: STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data
• Title（参考訳）: STANet:小・不均衡FMRIデータを用いた縮退分類のための新しい時空間アグリゲーションネットワーク
• Authors: Wei Zhang, Weiming Zeng, Hongyu Chen, Jie Liu, Hongjie Yan, Kaile Zhang, Ran Tao, Wai Ting Siok, Nizhuan Wang,
• Abstract要約: 時間的特徴と空間的特徴の両方を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間アグリゲーションネットワーク(STANet)を提案する。 実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。
• 参考スコア（独自算出の注目度）: 12.344849949026989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate diagnosis of depression is crucial for timely implementation of optimal treatments, preventing complications and reducing the risk of suicide. Traditional methods rely on self-report questionnaires and clinical assessment, lacking objective biomarkers. Combining fMRI with artificial intelligence can enhance depression diagnosis by integrating neuroimaging indicators. However, the specificity of fMRI acquisition for depression often results in unbalanced and small datasets, challenging the sensitivity and accuracy of classification models. In this study, we propose the Spatio-Temporal Aggregation Network (STANet) for diagnosing depression by integrating CNN and RNN to capture both temporal and spatial features of brain activity. STANet comprises the following steps:(1) Aggregate spatio-temporal information via ICA. (2) Utilize multi-scale deep convolution to capture detailed features. (3) Balance data using the SMOTE to generate new samples for minority classes. (4) Employ the AFGRU classifier, which combines Fourier transformation with GRU, to capture long-term dependencies, with an adaptive weight assignment mechanism to enhance model generalization. The experimental results demonstrate that STANet achieves superior depression diagnostic performance with 82.38% accuracy and a 90.72% AUC. The STFA module enhances classification by capturing deeper features at multiple scales. The AFGRU classifier, with adaptive weights and stacked GRU, attains higher accuracy and AUC. SMOTE outperforms other oversampling methods. Additionally, spatio-temporal aggregated features achieve better performance compared to using only temporal or spatial features. STANet outperforms traditional or deep learning classifiers, and functional connectivity-based classifiers, as demonstrated by ten-fold cross-validation.
• Abstract（参考訳）: うつ病の正確な診断は、最適な治療のタイムリーな実施、合併症の予防、自殺リスクの低減に不可欠である。 従来の方法では、客観的なバイオマーカーが欠如しており、自己報告のアンケートや臨床評価に頼っている。 fMRIと人工知能を組み合わせることで、ニューロイメージングインジケータを統合することでうつ病の診断を強化することができる。 しかし、うつ病に対するfMRI取得の特異性は、しばしば不均衡で小さなデータセットをもたらし、分類モデルの感度と精度に挑戦する。 本研究では,脳活動の時間的・空間的特徴を捉えるために,CNNとRNNを統合してうつ病を診断するための時空間集約ネットワーク(STANet)を提案する。 STANetは、(1)ICAを介して時空間情報を集約する。 2) 詳細な特徴を捉えるためにマルチスケールの深層畳み込みを利用する。 (3) マイノリティクラスのための新しいサンプルを生成するためにSMOTEを使用したバランスデータ。 (4) フーリエ変換とGRUを組み合わせたAFGRU分類器を用いて長期依存を捕捉し、モデル一般化を強化する適応重み付け機構を用いる。 実験の結果、STANetは82.38%の精度と90.72%のAUCでうつ病診断性能に優れていた。 STFAモジュールは、複数のスケールでより深い特徴をキャプチャすることで分類を強化する。 AFGRU分類器は適応重みと積み重ねGRUを備えており、精度とAUCが向上している。 SMOTEは他のオーバーサンプリング手法より優れている。 さらに、時空間的特徴のみを使用する場合よりも、時空間集約的特徴の方が優れた性能が得られる。 STANetは10倍のクロスバリデーションで示されるように、従来のあるいはディープラーニングの分類器や機能的な接続ベースの分類器よりも優れている。

関連論文リスト

• Denoising Variational Autoencoder as a Feature Reduction Pipeline for the diagnosis of Autism based on Resting-state fMRI [11.871709357017416]
  自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、発達過程において、制限された関心とコミュニケーションの困難を特徴とする疾患である。 静止状態fMRI(rs-fMRI)を用いたASD特徴量削減パイプラインを提案する。 我々はNcutsのパーセレーションとPower atlasを使って機能的な接続データを抽出し、3万以上の機能を実現した。
  論文  参考訳（メタデータ） (2024-09-30T09:38:47Z)
• Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks [8.703026708558157]
  分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。 このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
  論文  参考訳（メタデータ） (2024-08-25T13:15:55Z)
• Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
  本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。 LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
  論文  参考訳（メタデータ） (2024-07-22T11:28:34Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• SEDMamba: Enhancing Selective State Space Modelling with Bottleneck Mechanism and Fine-to-Coarse Temporal Fusion for Efficient Error Detection in Robot-Assisted Surgery [7.863539113283565]
  選択的状態空間モデル(SSM)を外科的誤り検出に組み込んだSEDMambaという新しい階層モデルを提案する。 SEDMambaは、長期ビデオにおける外科的エラーの検出と時間的局所化のために、ボトルネック機構と微細から粗い時間的融合(FCTF)を備えた選択的SSMを強化する。 我々の研究は、実際の手術症例におけるエラー検出を支援するために、第一種、フレームレベル、生存中の外科的エラーデータセットにも貢献する。
  論文  参考訳（メタデータ） (2024-06-22T19:20:35Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• A Novel Solution of an Elastic Net Regularization for Dementia Knowledge Discovery using Deep Learning [10.839925851203786]
  本稿では,Deep Learning Architecture による分類の精度の向上と処理時間を短縮することを目的とする。 提案システムは,分類と予測の精度を高めるために,畳み込みニューラルネットワーク(CNN)で構成されている。 さらに,提案手法は,平均で5%の分類精度を向上し,平均で3040秒の処理時間を短縮した。
  論文  参考訳（メタデータ） (2021-08-21T11:53:25Z)
• Functional Magnetic Resonance Imaging data augmentation through conditional ICA [44.483210864902304]
  本稿では,高速機能型磁気共鳴イメージング(fMRI)データ拡張技術である条件独立成分分析(Conditional ICA)を紹介する。 本研究では,コンディショナルICAが観測不可能なデータの合成に成功しており,脳の復号化問題における分類精度の向上が期待できることを示す。
  論文  参考訳（メタデータ） (2021-07-11T22:36:14Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。