論文の概要: Multi-atlas Ensemble Graph Neural Network Model For Major Depressive Disorder Detection Using Functional MRI Data

• arxiv url: http://arxiv.org/abs/2412.19833v1
• Date: Sat, 21 Dec 2024 17:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 09:06:38.817734
• Title: Multi-atlas Ensemble Graph Neural Network Model For Major Depressive Disorder Detection Using Functional MRI Data
• Title（参考訳）: 機能的MRIデータを用いた大うつ病検出のためのマルチアトラスアンサンブルグラフニューラルネットワークモデル
• Authors: Nojod M. Alotaibi, Areej M. Alhothali, Manar S. Ali,
• Abstract要約: うつ病性障害(MDD)は最も一般的な精神疾患の1つであり、日常的な活動や生活の質に大きな影響を及ぼす。 MDDの現在の診断アプローチは、主に臨床観察と患者報告された症状に依存している。 深層学習技術は神経画像データに広く応用され、早期の精神疾患の検出に役立っている。 本研究の目的は,rs-fMRI画像から識別特徴を検出するアンサンブルに基づくGNNモデルを開発することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Major depressive disorder (MDD) is one of the most common mental disorders, with significant impacts on many daily activities and quality of life. It stands as one of the most common mental disorders globally and ranks as the second leading cause of disability. The current diagnostic approach for MDD primarily relies on clinical observations and patient-reported symptoms, overlooking the diverse underlying causes and pathophysiological factors contributing to depression. Therefore, scientific researchers and clinicians must gain a deeper understanding of the pathophysiological mechanisms involved in MDD. There is growing evidence in neuroscience that depression is a brain network disorder, and the use of neuroimaging, such as magnetic resonance imaging (MRI), plays a significant role in identifying and treating MDD. Rest-state functional MRI (rs-fMRI) is among the most popular neuroimaging techniques used to study MDD. Deep learning techniques have been widely applied to neuroimaging data to help with early mental health disorder detection. Recent years have seen a rise in interest in graph neural networks (GNNs), which are deep neural architectures specifically designed to handle graph-structured data like rs-fMRI. This research aimed to develop an ensemble-based GNN model capable of detecting discriminative features from rs-fMRI images for the purpose of diagnosing MDD. Specifically, we constructed an ensemble model by combining features from multiple brain region segmentation atlases to capture brain complexity and detect distinct features more accurately than single atlas-based models. Further, the effectiveness of our model is demonstrated by assessing its performance on a large multi-site MDD dataset. The best performing model among all folds achieved an accuracy of 75.80%, a sensitivity of 88.89%, a specificity of 61.84%, a precision of 71.29%, and an F1-score of 79.12%.
• Abstract（参考訳）: うつ病性障害(MDD)は最も一般的な精神疾患の1つであり、日常的な活動や生活の質に大きな影響を及ぼす。 世界中で最も一般的な精神疾患の1つであり、障害の原因として第2位にランクされている。 MDDの現在の診断アプローチは、主に臨床観察と患者が報告した症状に依存しており、うつ病に影響を及ぼす様々な原因と病態的要因を見越している。 したがって、科学研究者や臨床医はMDDに関わる病態生理学的メカニズムを深く理解する必要がある。 神経科学ではうつ病が脳ネットワーク障害である証拠が増加しており、磁気共鳴画像(MRI)のような神経画像の使用はMDDの同定と治療に重要な役割を果たしている。 レストステート機能MRI(r-fMRI)は、MDDの研究に使用される最も一般的な神経画像技術の一つである。 深層学習技術は神経画像データに広く応用され、早期の精神疾患の検出に役立っている。 近年、rs-fMRIのようなグラフ構造化データを扱うように設計されたディープニューラルネットワークであるグラフニューラルネットワーク(GNN)への関心が高まっている。 本研究の目的は、MDDの診断を目的として、rs-fMRI画像から識別特徴を検出するアンサンブルベースのGNNモデルを開発することである。 具体的には、複数の脳領域セグメンテーションアトラスの特徴を組み合わせたアンサンブルモデルを構築し、脳の複雑さを捉え、単一アトラスモデルよりも正確な特徴を検出する。 さらに,大規模マルチサイトMDDデータセット上での性能を評価することにより,本モデルの有効性を実証した。 最高の性能モデルは75.80%、感度は88.89%、特異性は61.84%、精度は71.29%、F1スコアは79.12%であった。

関連論文リスト

• Deep Learning for Early Alzheimer Disease Detection with MRI Scans [1.9806397201363817]
  アルツハイマー病は、患者のMRIスキャンと神経心理学的検査の詳細な評価によって診断を必要とする。 本研究は,AD診断の精度と効率を向上させるために,既存のディープラーニングモデルと比較する。 感度,特異性,計算効率を考慮した厳密な評価を行い,各モデルの強みと弱みを判定する。
  論文  参考訳（メタデータ） (2025-01-17T07:30:16Z)
• Early diagnosis of Alzheimer's disease from MRI images with deep learning model [0.7673339435080445]
  アルツハイマー病は世界中で認知症の最も一般的な原因である。 認知症の分類には、医学的履歴レビュー、神経心理学的テスト、MRI(MRI)などのアプローチが含まれる 本稿では,AD画像から重要な特徴を抽出するために,事前学習した畳み込みニューラルネットワークをDEMNET認知ネットワークに適用する。
  論文  参考訳（メタデータ） (2024-09-27T15:07:26Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• 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)
• Deep learning reveals the common spectrum underlying multiple brain disorders in youth and elders from brain functional networks [53.257804915263165]
  ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。 病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。 多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
  論文  参考訳（メタデータ） (2023-02-23T09:22:05Z)
• 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)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• Classification of ADHD Patients by Kernel Hierarchical Extreme Learning Machine [4.168157981135698]
  我々は,脳の機能的接続のダイナミクスを考察し,医療画像から機能的脳力学モデルをモデル化する。 本稿では,23人のADHD児と45人のNC児を対象に,fMRI画像データの比較を行った。 提案手法は既存の方法よりも優れた分類結果を得た。
  論文  参考訳（メタデータ） (2022-02-18T01:32:55Z)
• Deep Convolutional Neural Network based Classification of Alzheimer's Disease using MRI data [8.609787905151563]
  アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。 本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。 このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
  論文  参考訳（メタデータ） (2021-01-08T06:51:08Z)
• 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。