論文の概要: Deep learning and whole-brain networks for biomarker discovery: modeling the dynamics of brain fluctuations in resting-state and cognitive tasks

• arxiv url: http://arxiv.org/abs/2412.19329v1
• Date: Thu, 26 Dec 2024 18:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:24:46.297729
• Title: Deep learning and whole-brain networks for biomarker discovery: modeling the dynamics of brain fluctuations in resting-state and cognitive tasks
• Title（参考訳）: バイオマーカー発見のためのディープラーニングと全脳ネットワーク--安静状態と認知タスクにおける脳のゆらぎのダイナミクスをモデル化する
• Authors: Facundo Roffet, Gustavo Deco, Claudio Delrieux, Gustavo Patow,
• Abstract要約: 本研究は、安静状態およびタスクベース認知状態に関連する脳状態を識別するためのバイオマーカーとして、全脳ネットワークモデルからの分岐パラメータを評価する。
• 参考スコア（独自算出の注目度）: 0.7071166713283338
• License:
• Abstract: Background: Brain network models offer insights into brain dynamics, but the utility of model-derived bifurcation parameters as biomarkers remains underexplored. Objective: This study evaluates bifurcation parameters from a whole-brain network model as biomarkers for distinguishing brain states associated with resting-state and task-based cognitive conditions. Methods: Synthetic BOLD signals were generated using a supercritical Hopf brain network model to train deep learning models for bifurcation parameter prediction. Inference was performed on Human Connectome Project data, including both resting-state and task-based conditions. Statistical analyses assessed the separability of brain states based on bifurcation parameter distributions. Results: Bifurcation parameter distributions differed significantly across task and resting-state conditions ($p < 0.0001$ for all but one comparison). Task-based brain states exhibited higher bifurcation values compared to rest. Conclusion: Bifurcation parameters effectively differentiate cognitive and resting states, warranting further investigation as biomarkers for brain state characterization and neurological disorder assessment.
• Abstract（参考訳）: 背景:脳ネットワークモデルは、脳のダイナミクスに関する洞察を提供するが、バイオマーカーがまだ探索されていないため、モデル由来の分岐パラメータの有効性は保たれている。 目的: 本研究は、安静状態およびタスクベース認知状態に関連する脳状態を識別するためのバイオマーカーとして、脳全体のネットワークモデルから分岐パラメータを評価する。 方法:超臨界ホップ脳ネットワークモデルを用いて合成BOLD信号を生成し,分岐パラメータ予測のためのディープラーニングモデルを訓練した。 ヒューマン・コネクトーム・プロジェクト(Human Connectome Project)のデータでは、安静状態とタスクベースの条件の両方を含む推論が行われた。 統計的分析は分岐パラメータ分布に基づいて脳状態の分離性を評価した。 結果: 分岐パラメータ分布は, 作業条件と休息状態条件 (p < 0.0001$, 比較1回を除く) で有意に異なっていた。 タスクベースの脳状態は、安静よりも高い分岐値を示した。 結論: 分岐パラメータは認知状態と安静状態を効果的に区別し、脳状態の特徴づけと神経疾患の評価のためのバイオマーカーとしてさらなる調査を保証している。

関連論文リスト

• Towards the Discovery of Down Syndrome Brain Biomarkers Using Generative Models [0.0]
  我々は変分オートエンコーダと拡散モデルに基づく最先端の脳異常検出モデルの評価を行った。 以上の結果から、ダウン症候群の脳解剖を特徴付ける一次変化を効果的に検出するモデルが存在することが示唆された。
  論文  参考訳（メタデータ） (2024-09-20T12:01:15Z)
• Analyzing Brain Tumor Connectomics using Graphs and Persistent Homology [2.474908349649168]
  本研究では拡散強調画像を用いた全脳コネクトーム解析を行った。 確率的トラクトグラフィーは84の異なる脳領域を繋ぐ流線型の数をマッピングするために用いられる。 研究グループ間の差異が統計的に有意な脳領域を特定するために、詳細な統計分析を行う。
  論文  参考訳（メタデータ） (2024-07-25T10:55:19Z)
• BOrg: A Brain Organoid-Based Mitosis Dataset for Automatic Analysis of Brain Diseases [15.347850595826317]
  BOrgは、脳オルガノイドの共焦点顕微鏡画像を用いて、脳の胚発生における分裂現象を研究するために設計されたデータセットである。 我々は、分裂細胞の検出と解析のために、BOrgの最先端のオブジェクト検出およびセルカウントモデルを適用し、ベンチマークする。 以上の結果より, これらの適応モデルにより, 脳オルガノイド研究における有糸分裂解析の効率と精度が有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2024-06-27T22:16:53Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• 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)
• Neural Language Models are not Born Equal to Fit Brain Data, but Training Helps [75.84770193489639]
  音声ブックを聴く被験者の機能的磁気共鳴イメージングの時間軸予測に及ぼすテスト損失,トレーニングコーパス,モデルアーキテクチャの影響について検討した。 各モデルの訓練されていないバージョンは、同じ単語をまたいだ脳反応の類似性を捉えることで、脳内のかなりの量のシグナルをすでに説明していることがわかりました。 ニューラル言語モデルを用いたヒューマン・ランゲージ・システムの説明を目的とした今後の研究の実践を提案する。
  論文  参考訳（メタデータ） (2022-07-07T15:37:17Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Ranking of Communities in Multiplex Spatiotemporal Models of Brain Dynamics [0.0]
  隠れマルコフグラフモデル(HMs)と呼ぶ多重脳状態グラフモデルとして、ニューラルHMMの解釈を提案する。 この解釈により、ネットワーク分析技術の完全なレパートリーを使用して、動的脳活動を分析することができる。 ランダムウォークに基づく手法を用いて,脳領域の重要なコミュニティを決定するための新しいツールを開発した。
  論文  参考訳（メタデータ） (2022-03-17T12:14:09Z)
• Identification of brain states, transitions, and communities using functional MRI [0.5872014229110214]
  ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。 タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
  論文  参考訳（メタデータ） (2021-01-26T08:10:00Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)

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。