Fugu-MT 論文翻訳(概要): Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment

論文の概要: Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment

arxiv url: http://arxiv.org/abs/2408.15647v1
Date: Wed, 28 Aug 2024 09:01:55 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 16:43:13.055825
Title: Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment
Title（参考訳）: 軽度認知障害の鑑別診断における Persistent Homology の活用
Authors: Ninad Aithal, Debanjali Bhattacharya, Neelam Sinha, Thomas Gregor Issac,
Abstract要約: 軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。本研究では,6種類の被験者の脳ネットワークに関連する神経変性のトポロジカルな変化を調べるための,新しい微粒化分析法を提案する。
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: Mild cognitive impairment (MCI) is characterized by subtle changes in cognitive functions, often associated with disruptions in brain connectivity. The present study introduces a novel fine-grained analysis to examine topological alterations in neurodegeneration pertaining to six different brain networks of MCI subjects (Early/Late MCI). To achieve this, fMRI time series from two distinct populations are investigated: (i) the publicly accessible ADNI dataset and (ii) our in-house dataset. The study utilizes sliding window embedding to convert each fMRI time series into a sequence of 3-dimensional vectors, facilitating the assessment of changes in regional brain topology. Distinct persistence diagrams are computed for Betti descriptors of dimension-0, 1, and 2. Wasserstein distance metric is used to quantify differences in topological characteristics. We have examined both (i) ROI-specific inter-subject interactions and (ii) subject-specific inter-ROI interactions. Further, a new deep learning model is proposed for classification, achieving a maximum classification accuracy of 95% for the ADNI dataset and 85% for the in-house dataset. This methodology is further adapted for the differential diagnosis of MCI sub-types, resulting in a peak accuracy of 76.5%, 91.1% and 80% in classifying HC Vs. EMCI, HC Vs. LMCI and EMCI Vs. LMCI, respectively. We showed that the proposed approach surpasses current state-of-the-art techniques designed for classifying MCI and its sub-types using fMRI.
Abstract（参考訳）: 軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。本研究は、MCI被験者の6つの異なる脳ネットワーク(Early/Late MCI)に関連する神経変性のトポロジカルな変化を調べるための、新しいきめ細かい分析法を提案する。これを実現するために、2つの異なる集団のfMRI時系列を調査した。 i)パブリックアクセス可能なADNIデータセット及び (ii) 社内データセット。この研究は、スライディングウィンドウの埋め込みを利用して、各fMRI時系列を3次元ベクトル列に変換することで、局所脳トポロジーの変化を評価する。次元 0, 1, 2 のベティ記述子に対しては、離散永続図式が計算される。ワッサーシュタイン距離計量は、位相特性の違いを定量化するために用いられる。私たちは両方を調べました一 ROI固有の物体間相互作用及び相互作用 (II)主観的ROI間相互作用。さらに,新たなディープラーニングモデルが提案され,ADNIデータセットの95%,社内データセットの85%の最大分類精度が達成された。この手法は、MCIサブタイプの鑑別診断にも適用され、それぞれHC Vs. EMCI、HC Vs. LMCI、EMCI Vs. LMCIの分類におけるピーク精度は76.5%、91.1%、80%となる。提案手法は,fMRIを用いてMCIとそのサブタイプを分類するための最先端技術を上回ることを示した。

関連論文リスト

Persistent Homology for MCI Classification: A Comparative Analysis between Graph and Vietoris-Rips Filtrations [2.306862732864727]
本研究は、ミルド認知障害(MCI)に伴う位相変化の詳細な分析を提供する。この分析は、公開可能なADNIデータセットと社内TLSAデータセットの2つの異なる集団からのfMRI時系列データを利用する。ヴィートリス・リップス濾過では、永続図形間のROI間 MCI ワッサーシュタイン距離行列が分類に使われ、グラフ濾過は最も永続的なホモロジーの特徴のトップ10に依存する。
論文参考訳（メタデータ） (2024-10-30T04:24:40Z)
AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文参考訳（メタデータ） (2024-07-02T16:44:00Z)
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文参考訳（メタデータ） (2024-05-21T20:37:07Z)
Multi-scale fMRI time series analysis for understanding neurodegeneration in MCI [2.474908349649168]
本稿では,ネットワークを構成する各ROIについて,マルチスケールビューにまたがる手法を提案する。深層学習に基づく分類は神経変性の理解に利用される。
論文参考訳（メタデータ） (2024-02-05T08:41:39Z)
HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and Hierarchical Interactions for Mild Cognitive Impairment Diagnosis [10.028997265879598]
軽度認知障害(MCI)と主観的認知低下(SCD)の診断のための新しい階層的アライメントと階層的相互作用(HA-HI)法を導入する。 HA-HIは、様々な特徴型を整列し、それらの相互作用を階層的に最大化することで、MCIまたはSCD関連の重要な地域および接続特性を効率的に学習する。提案手法の解釈可能性を高めるために,MCI/SCDを示す重要な脳領域と接続を明らかにするSynergistic Activation Map (SAM) 技術を開発した。
論文参考訳（メタデータ） (2024-01-02T12:46:02Z)
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)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文参考訳（メタデータ） (2022-12-20T12:56:28Z)
Deep Joint Learning of Pathological Region Localization and Alzheimer's Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。 5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文参考訳（メタデータ） (2021-08-10T10:06:54Z)
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)
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。