論文の概要: The shape of the brain's connections is predictive of cognitive performance: an explainable machine learning study
- arxiv url: http://arxiv.org/abs/2410.15108v1
- Date: Sat, 19 Oct 2024 13:43:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:15:46.557010
- Title: The shape of the brain's connections is predictive of cognitive performance: an explainable machine learning study
- Title（参考訳）: 脳の接続の形状は認知能力を予測する:説明可能な機械学習研究
- Authors: Yui Lo, Yuqian Chen, Dongnan Liu, Wan Liu, Leo Zekelman, Jarrett Rushmore, Fan Zhang, Yogesh Rathi, Nikos Makris, Alexandra J. Golby, Weidong Cai, Lauren J. O'Donnell,
- Abstract要約: dMRIトラクトグラフィー由来の形状の変動が、個体間での脳の機能的変動と関係しているかどうかは不明である。
本研究は, トラクトログラフィー・ファイバ・クラスタ形状測定を応用し, 被験者固有の認知能力を予測することの可能性を探る。
- 参考スコア（独自算出の注目度）: 40.03957000152382
- License:
- Abstract: The shape of the brain's white matter connections is relatively unexplored in diffusion MRI tractography analysis. While it is known that tract shape varies in populations and across the human lifespan, it is unknown if the variability in dMRI tractography-derived shape may relate to the brain's functional variability across individuals. This work explores the potential of leveraging tractography fiber cluster shape measures to predict subject-specific cognitive performance. We implement machine learning models to predict individual cognitive performance scores. We study a large-scale database from the HCP-YA study. We apply an atlas-based fiber cluster parcellation to the dMRI tractography of each individual. We compute 15 shape, microstructure, and connectivity features for each fiber cluster. Using these features as input, we train a total of 210 models to predict 7 different NIH Toolbox cognitive performance assessments. We apply an explainable AI technique, SHAP, to assess the importance of each fiber cluster for prediction. Our results demonstrate that shape measures are predictive of individual cognitive performance. The studied shape measures, such as irregularity, diameter, total surface area, volume, and branch volume, are as effective for prediction as microstructure and connectivity measures. The overall best-performing feature is a shape feature, irregularity, which describes how different a cluster's shape is from an idealized cylinder. Further interpretation using SHAP values suggest that fiber clusters with features highly predictive of cognitive ability are widespread throughout the brain, including fiber clusters from the superficial association, deep association, cerebellar, striatal, and projection pathways. This study demonstrates the strong potential of shape descriptors to enhance the study of the brain's white matter and its relationship to cognitive function.
- Abstract（参考訳）: 脳の白質結合の形状は拡散MRIによる解析では比較的解明されていない。
トラクション形状は個体群やヒトの寿命によって異なることが知られているが、dMRIによるトラクトグラフィー由来の形状の変動が個体間の脳の機能的変動と関係しているかどうかは不明である。
本研究は, トラクトログラフィー・ファイバ・クラスタ形状測定を応用し, 被験者固有の認知能力を予測することの可能性を探る。
個別の認知能力スコアを予測する機械学習モデルを実装した。
HCP-YAを用いた大規模データベースについて検討した。
我々は,各個体のdMRIトラクトグラフィーにアトラスを用いたファイバクラスタ解析を適用した。
ファイバクラスタ毎に15の形状,微細構造,接続性を計算します。
これらの特徴を入力として、合計210のモデルをトレーニングし、7つの異なるNIH Toolbox認知性能評価を予測する。
我々は,各ファイバクラスタの重要性を予測するために,説明可能なAI技術であるSHAPを適用した。
以上の結果から,形状測定は個人の認知能力を予測することが示唆された。
本研究は, 不規則性, 直径, 表面積, 体積, 分枝体積などの形状測定を, 微細構造や接続性などの指標と同様に予測に有効である。
全体的な最高の性能特徴は、クラスタの形状が理想的なシリンダーとどのように異なるかを記述する、不規則な形状の特徴である。
SHAP値を用いたさらなる解釈は、認知能力の高い特徴を持つ繊維クラスターが、表皮関連、深部関連、小脳、線条体、投射経路などの脳全体に広がっていることを示唆している。
本研究は,脳白質の研究と認知機能との関連性を高めるための形状記述子の強い可能性を示す。
関連論文リスト
- 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) - 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) - Cross-domain Fiber Cluster Shape Analysis for Language Performance Cognitive Score Prediction [41.018326648532586]
脳画像における形状解析は、人間の脳の構造と機能の相関を解釈するのに役立ちます。
拡散磁気共鳴画像(dMRI)による脳の3D点配列の再構成を行った。
本稿では,マルチヘッド型クロスアテンション機能融合モジュールを利用して,対象言語の性能を予測する新しいフレームワーク,シェイプフューズファイバクラスタトランス (SFFormer) を提案する。
論文 参考訳（メタデータ） (2024-03-27T20:51:02Z) - 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) - BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。
9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。
これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
論文 参考訳（メタデータ） (2023-09-12T02:42:11Z) - Fiber Tract Shape Measures Inform Prediction of Non-Imaging Phenotypes [13.815863556151834]
長さ, 直径, 伸長の3つの基本形状の特徴に着目した。
脳の大きさによる予測バイアスを低減するため、正規化形状の特徴についても検討した。
論文 参考訳（メタデータ） (2023-03-16T07:39:07Z) - A Novel Supervised Contrastive Regression Framework for Prediction of
Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI
Tractography [13.80649748804573]
Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。
SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。
SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
論文 参考訳（メタデータ） (2022-10-13T23:24:12Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、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促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳（メタデータ） (2020-02-29T18:49:45Z)
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。