論文の概要: MLC-GCN: Multi-Level Generated Connectome Based GCN for AD Analysis

• arxiv url: http://arxiv.org/abs/2408.03358v1
• Date: Tue, 6 Aug 2024 14:18:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-08 14:36:13.116981
• Title: MLC-GCN: Multi-Level Generated Connectome Based GCN for AD Analysis
• Title（参考訳）: MLC-GCN:AD解析のためのマルチレベルコネクトームベースGCN
• Authors: Wenqi Zhu, Yinghua Fu, Ze Wang,
• Abstract要約: アルツハイマー病(英: Alzheimers Disease、AD)は、現在発症可能な神経変性疾患である。 アルツハイマー病(英語: Alzheimer's Disease、AD)は、現在発症可能な神経変性疾患である。
• 参考スコア（独自算出の注目度）: 14.541273450756128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's Disease (AD) is a currently incurable neurodegeneartive disease. Accurately detecting AD, especially in the early stage, represents a high research priority. AD is characterized by progressive cognitive impairments that are related to alterations in brain functional connectivity (FC). Based on this association, many studies have been published over the decades using FC and machine learning to differentiate AD from healthy aging. The most recent development in this detection method highlights the use of graph neural network (GNN) as the brain functionality analysis. In this paper, we proposed a stack of spatio-temporal feature extraction and graph generation based AD classification model using resting state fMRI. The proposed multi-level generated connectome (MLC) based graph convolutional network (GCN) (MLC-GCN) contains a multi-graph generation block and a GCN prediction block. The multi-graph generation block consists of a hierarchy of spatio-temporal feature extraction layers for extracting spatio-temporal rsfMRI features at different depths and building the corresponding connectomes. The GCN prediction block takes the learned multi-level connectomes to build and optimize GCNs at each level and concatenates the learned graphical features as the final predicting features for AD classification. Through independent cohort validations, MLC-GCN shows better performance for differentiating MCI, AD, and normal aging than state-of-art GCN and rsfMRI based AD classifiers. The proposed MLC-GCN also showed high explainability in terms of learning clinically reasonable connectome node and connectivity features from two independent datasets. While we only tested MLC-GCN on AD, the basic rsfMRI-based multi-level learned GCN based outcome prediction strategy is valid for other diseases or clinical outcomes.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's Disease、AD)は、現在発症可能な神経変性疾患である。 ADの正確な検出は、特に初期段階において、高い研究優先度を示している。 ADは、脳機能接続(FC)の変化に関連する進歩的認知障害によって特徴づけられる。 この協会に基づいて、健康な老化とADを区別するために、FCと機械学習を用いて何十年にもわたって多くの研究が出版されてきた。 この検出手法の最新の開発は、脳機能分析におけるグラフニューラルネットワーク(GNN)の利用を強調している。 本稿では,静止状態fMRIを用いた時空間特徴抽出とグラフ生成に基づくAD分類モデルを提案する。 提案するマルチレベル生成コネクトーム(MLC)ベースのグラフ畳み込みネットワーク(MLC-GCN)は,マルチグラフ生成ブロックとGCN予測ブロックを含む。 多グラフ生成ブロックは、時空間的特徴抽出層の階層から構成され、時空間的特徴を異なる深さで抽出し、対応するコネクトームを構築する。 GCN予測ブロックは、学習したマルチレベルコネクトームを使用して、各レベルでGCNを構築し、最適化し、学習したグラフィカル特徴をAD分類の最終予測機能として結合する。 独立したコホート検証によって、MLC-GCNは、最先端GCNやRSfMRIベースのAD分類器よりも、MCI、AD、および正常加齢の差別化に優れた性能を示す。 MLC-GCNは2つの独立したデータセットから,臨床的に合理的なコネクトームノードと接続特性の学習において高い説明性を示した。 MLC-GCN は AD 上でのみ試験を行ったが,RSfMRI を用いた多段階学習GCN による予後予測は,他の疾患や臨床結果に対して有効である。

関連論文リスト

• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using mpMRI Segmentation and Classification [0.0]
  前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。 深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。 本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
  論文  参考訳（メタデータ） (2023-10-09T03:00:15Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis [25.4835612758922]
  人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。 本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。 本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
  論文  参考訳（メタデータ） (2022-03-17T02:23:30Z)
• Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification [13.907981019956832]
  我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。 グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。 我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:12:39Z)
• Characterization Multimodal Connectivity of Brain Network by Hypergraph GAN for Alzheimer's Disease Analysis [30.99183477161096]
  脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。 DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
  論文  参考訳（メタデータ） (2021-07-21T09:02:29Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
  マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。 本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。 我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
  論文  参考訳（メタデータ） (2021-01-20T20:53:07Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• 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。