Fugu-MT 論文翻訳(概要): Graphical Structural Learning of rs-fMRI data in Heavy Smokers

論文の概要: Graphical Structural Learning of rs-fMRI data in Heavy Smokers

arxiv url: http://arxiv.org/abs/2409.08395v1
Date: Thu, 12 Sep 2024 20:48:28 GMT
ステータス: 処理完了
システム内更新日: 2024-09-16 18:27:26.901236
Title: Graphical Structural Learning of rs-fMRI data in Heavy Smokers
Title（参考訳）: 重い喫煙者におけるrs-fMRIデータのグラフ構造学習
Authors: Yiru Gong, Qimin Zhang, Huili Zhen, Zheyan Liu, Shaohan Chen,
Abstract要約: 喫煙者や喫煙者以外の者からのrs-fMRIデータに対するグラフラッソアルゴリズムを用いたガウス的非指向グラフを用いて、脳接続の顕著な変化を同定した。以上の結果より, 推定グラフの安定性が高く, 喫煙の影響が大きい脳領域を同定し, 今後の臨床研究に有用な知見を提供することができた。
参考スコア（独自算出の注目度）: 0.815557531820863
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent studies revealed structural and functional brain changes in heavy smokers. However, the specific changes in topological brain connections are not well understood. We used Gaussian Undirected Graphs with the graphical lasso algorithm on rs-fMRI data from smokers and non-smokers to identify significant changes in brain connections. Our results indicate high stability in the estimated graphs and identify several brain regions significantly affected by smoking, providing valuable insights for future clinical research.
Abstract（参考訳）: 最近の研究では、ヘビースモーカーの構造と機能的脳の変化が明らかになった。しかし、トポロジカルな脳のつながりの具体的な変化はよく理解されていない。喫煙者や喫煙者以外の者からのrs-fMRIデータに対するグラフラッソアルゴリズムを用いたガウス的非指向グラフを用いて、脳接続の顕著な変化を同定した。以上の結果から, 推定値の安定性が高く, 喫煙の影響が大きい脳領域を同定し, 今後の臨床研究に有用な知見を提供することができた。

関連論文リスト

Enhancing Graph Attention Neural Network Performance for Marijuana Consumption Classification through Large-scale Augmented Granger Causality (lsAGC) Analysis of Functional MR Images [0.0]
脳ネットワーク接続におけるマリファナの消費と変化の関係は、科学文献において認識されている事実である。この研究は、lsAGCがこれらの変化を正確に識別する方法を探索する。
論文参考訳（メタデータ） (2024-10-24T07:50:10Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
Spatial Craving Patterns in Marijuana Users: Insights from fMRI Brain Connectivity Analysis with High-Order Graph Attention Neural Networks [4.978772628863472]
マリファナの過剰摂取は、かなりの心理的および社会的結果をもたらす可能性がある。本稿では,マリファナ中毒の分類のための高次グラフ注意ニューラルネットワーク(HOGANN)を提案する。我々のモデルは2つの異なるデータコホートにまたがって検証され、ベンチマークアルゴリズムよりもかなり高い分類精度が得られる。
論文参考訳（メタデータ） (2024-02-29T04:01:38Z)
Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
論文参考訳（メタデータ） (2023-12-30T06:50:52Z)
DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文参考訳（メタデータ） (2022-09-27T16:32:11Z)
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)
Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文参考訳（メタデータ） (2022-07-14T20:03:52Z)
Feature-selected Graph Spatial Attention Network for Addictive Brain-Networks Identification [4.224312918460521]
fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
論文参考訳（メタデータ） (2022-06-29T08:50:54Z)
Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。