論文の概要: Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework

• arxiv url: http://arxiv.org/abs/2502.19386v1
• Date: Wed, 26 Feb 2025 18:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:50.465345
• Title: Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework
• Title（参考訳）: 空間時間に基づく学習フレームワークを用いた高能率4次元fMRIASD分類
• Authors: Ziqiao Weng, Weidong Cai, Bo Zhou,
• Abstract要約: Resting-state fMRIは、脳の接続パターンをキャプチャする非侵襲的なツールで、早期のASD診断と分化を助ける。 平均時系列または全4Dデータに依存する従来の手法は、空間情報の欠如によって制限される。 ASD分類のためのfMRIから脳の時間的特徴を効率的に抽出するための,新しい,シンプルで効率的な時空間オミクス学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.944298319589845
• License:
• Abstract: Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder impacting social and behavioral development. Resting-state fMRI, a non-invasive tool for capturing brain connectivity patterns, aids in early ASD diagnosis and differentiation from typical controls (TC). However, previous methods, which rely on either mean time series or full 4D data, are limited by a lack of spatial information or by high computational costs. This underscores the need for an efficient solution that preserves both spatial and temporal information. In this paper, we propose a novel, simple, and efficient spatial-temporal-omics learning framework designed to efficiently extract spatio-temporal features from fMRI for ASD classification. Our approach addresses these limitations by utilizing 3D time-domain derivatives as the spatial-temporal inter-voxel omics, which preserve full spatial resolution while capturing diverse statistical characteristics of the time series at each voxel. Meanwhile, functional connectivity features serve as the spatial-temporal inter-regional omics, capturing correlations across brain regions. Extensive experiments and ablation studies on the ABIDE dataset demonstrate that our framework significantly outperforms previous methods while maintaining computational efficiency. We believe our research offers valuable insights that will inform and advance future ASD studies, particularly in the realm of spatial-temporal-omics-based learning.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、社会的・行動発達に影響を与える神経発達障害である。 安静状態fMRIは、脳の接続パターンを捉える非侵襲的なツールであり、早期のASD診断と典型的な制御(TC)との区別を支援する。 しかし,従来の平均時系列データや全4次元データに依存する手法は,空間情報の欠如や計算コストの高騰によって制限されている。 このことは、空間的情報と時間的情報の両方を保存する効率的なソリューションの必要性を浮き彫りにする。 本稿では,fMRIから時空間特徴を効率よく抽出し,ASD分類のための新しい,シンプルで効率的な時空間オミクス学習フレームワークを提案する。 提案手法は,3次元時間領域微分を空間的時間的ボクセル間オミクスとして利用し,各ボクセルにおける時系列の多様な統計的特性を把握しながら全空間分解能を保ちながら,これらの制約に対処する。 一方、機能的な接続機能は、空間的時間的地域間オミクスとして機能し、脳領域間の相関を捉えている。 ABIDEデータセットの大規模な実験とアブレーション研究により、我々のフレームワークは計算効率を保ちながら、従来の手法よりも大幅に優れていることが示された。 我々の研究は、特に時空間オミクスに基づく学習の領域において、将来のALD研究を通知し、前進させる貴重な洞察を提供すると信じています。

関連論文リスト

• Classification of Mild Cognitive Impairment Based on Dynamic Functional Connectivity Using Spatio-Temporal Transformer [30.044545011553172]
  本稿では,dFC内における空間情報と時間情報の両方の埋め込みを共同で学習する新しい枠組みを提案する。 アルツハイマー病神経画像イニシアチブ(ADNI)から570回のスキャンを行った345名の被験者を対象に,提案手法の優位性を実証した。
  論文  参考訳（メタデータ） (2025-01-27T18:20:33Z)
• STARFormer: A Novel Spatio-Temporal Aggregation Reorganization Transformer of FMRI for Brain Disorder Diagnosis [5.222252054627967]
  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。
  論文  参考訳（メタデータ） (2024-12-31T10:20:15Z)
• 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)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• Comparison of Probabilistic Deep Learning Methods for Autism Detection [0.0]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、現在世界中で普及している神経発達障害の一つ。 この疾患の早期発見は、発症治療に役立ち、正常な生活を導くのに役立つ。
  論文  参考訳（メタデータ） (2023-03-09T17:49:37Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• An Adaptive Federated Relevance Framework for Spatial Temporal Graph Learning [14.353798949041698]
  本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。 フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。 局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
  論文  参考訳（メタデータ） (2022-06-07T16:12:17Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• 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。