論文の概要: STARFormer: A Novel Spatio-Temporal Aggregation Reorganization Transformer of FMRI for Brain Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2501.00378v1
• Date: Tue, 31 Dec 2024 10:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:15:17.566943
• Title: STARFormer: A Novel Spatio-Temporal Aggregation Reorganization Transformer of FMRI for Brain Disorder Diagnosis
• Title（参考訳）: STARFormer:脳疾患診断のためのFMRIの新しい時空間集約再構成変換器
• Authors: Wenhao Dong, Yueyang Li, Weiming Zeng, Lei Chen, Hongjie Yan, Wai Ting Siok, Nizhuan Wang,
• Abstract要約: 本稿では,BOLD信号の空間的特徴と時間的特徴を効果的に捉えた時空間集約型ランズフォーマSTAR(Former)を提案する。 提案したSTARFormerは、自閉症スペクトラム障害(ASD)と注意欠陥高活動障害(ADHD)の分類のための2つの公開データセットで厳格に評価されている。
• 参考スコア（独自算出の注目度）: 5.222252054627967
• License:
• Abstract: Many existing methods that use functional magnetic resonance imaging (fMRI) classify brain disorders, such as autism spectrum disorder (ASD) and attention deficit hyperactivity disorder (ADHD), often overlook the integration of spatial and temporal dependencies of the blood oxygen level-dependent (BOLD) signals, which may lead to inaccurate or imprecise classification results. To solve this problem, we propose a Spatio-Temporal Aggregation eorganization ransformer (STARFormer) that effectively captures both spatial and temporal features of BOLD signals by incorporating three key modules. The region of interest (ROI) spatial structure analysis module uses eigenvector centrality (EC) to reorganize brain regions based on effective connectivity, highlighting critical spatial relationships relevant to the brain disorder. The temporal feature reorganization module systematically segments the time series into equal-dimensional window tokens and captures multiscale features through variable window and cross-window attention. The spatio-temporal feature fusion module employs a parallel transformer architecture with dedicated temporal and spatial branches to extract integrated features. The proposed STARFormer has been rigorously evaluated on two publicly available datasets for the classification of ASD and ADHD. The experimental results confirm that the STARFormer achieves state-of-the-art performance across multiple evaluation metrics, providing a more accurate and reliable tool for the diagnosis of brain disorders and biomedical research. The codes will be available at: https://github.com/NZWANG/STARFormer.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)を用いた多くの既存の手法は、自閉症スペクトラム障害(ASD)や注意欠陥高活動障害(ADHD)などの脳障害を分類し、しばしば血液酸素レベル依存(BOLD)信号の空間的および時間的依存関係の統合を見落とし、不正確または不正確な分類結果につながる可能性がある。 そこで本研究では,BOLD信号の空間的特徴と時間的特徴を3つの鍵モジュールを組み込んだ時空間集約型ランズフォーマ(STARFormer)を提案する。 関心領域(ROI)空間構造解析モジュールは、固有ベクトル中心性(EC)を使用して、効果的な接続性に基づいて脳領域を再編成し、脳障害に関連する重要な空間関係を強調する。 時間的特徴再構成モジュールは、時系列を等次元のウィンドウトークンに体系的に分割し、可変ウィンドウとクロスウィンドウアテンションを通してマルチスケール特徴をキャプチャする。 時空間的特徴融合モジュールは、専用の時間的および空間的分岐を持つ並列トランスフォーマーアーキテクチャを用いて、統合された特徴を抽出する。 提案したSTARFormerは、ASDとADHDの分類のために2つの公開データセットで厳格に評価されている。 実験の結果、STARFormerは複数の評価指標で最先端のパフォーマンスを達成し、より正確で信頼性の高い脳疾患の診断ツールとバイオメディカルリサーチを提供することがわかった。 コードは、https://github.com/NZWANG/STARFormer.comから入手できる。

関連論文リスト

• Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
  本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。 提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-09-21T12:02:47Z)
• Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。 本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:26:00Z)
• 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)
• Community-Aware Transformer for Autism Prediction in fMRI Connectome [12.433556885503243]
  Com-BrainTFは、ASD予測タスクのためのコミュニティ内およびコミュニティ間ノード埋め込みを学習する階層的なローカル・グローバル・トランスフォーマーアーキテクチャである。 我々のモデルは、ABIDEデータセット上での最先端(SOTA)アーキテクチャよりも優れており、アテンションモジュールから明らかな高い解釈可能性を持っている。
  論文  参考訳（メタデータ） (2023-06-24T23:52:57Z)
• Diagnostic Spatio-temporal Transformer with Faithful Encoding [54.02712048973161]
  本稿では,データ生成プロセスが複合時間(ST)依存性を持つ場合の異常診断の課題について述べる。 我々は、ST依存を時系列分類の副産物として学習する、教師付き依存発見として問題を定式化する。 既存のST変圧器で使用される時間的位置符号化は、高周波数(短時間スケール)の周波数をキャプチャする重大な制限を有することを示す。 また、空間的および時間的方向の両方で容易に消費可能な診断情報を提供する新しいST依存性発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-26T05:31:23Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• MHATC: Autism Spectrum Disorder identification utilizing multi-head attention encoder along with temporal consolidation modules [11.344829880346353]
  静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。 ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
  論文  参考訳（メタデータ） (2021-12-27T07:50:16Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• 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)
• Whole MILC: generalizing learned dynamics across tasks, datasets, and populations [14.99255412075299]
  障害特異的力学の理論は、疾患の早期診断と理解に不可欠である。 本稿では,コンテキストに局所的な相互シーケンス情報を強化する,教師付きトレーニングモデルを提案する。 統合失調症 (i) とアルツハイマー病 (iii) の3つの異なる疾患と4つの異なる研究について本モデルを検証した。
  論文  参考訳（メタデータ） (2020-07-29T21:07:30Z)
• 4D Spatio-Temporal Deep Learning with 4D fMRI Data for Autism Spectrum Disorder Classification [69.62333053044712]
  ASD分類のための4次元畳み込み深層学習手法を提案する。 F1スコアは0.71、F1スコアは0.65であるのに対し、我々は4Dニューラルネットワークと畳み込みリカレントモデルを採用する。
  論文  参考訳（メタデータ） (2020-04-21T17:19:06Z)

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。