論文の概要: TReND: Transformer derived features and Regularized NMF for neonatal functional network Delineation

• arxiv url: http://arxiv.org/abs/2503.02685v1
• Date: Tue, 04 Mar 2025 14:57:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:13:45.333612
• Title: TReND: Transformer derived features and Regularized NMF for neonatal functional network Delineation
• Title（参考訳）: TReND:トランスフォーマー由来の機能と新生仔機能ネットワークデライン化のための正規化NMF
• Authors: Sovesh Mohapatra, Minhui Ouyang, Shufang Tan, Jianlin Guo, Lianglong Sun, Yong He, Hao Huang,
• Abstract要約: 本稿では,新しい自己教師型トランス-オートエンコーダフレームワークであるTReNDを提案する。 TReNDは、voxel-wise rs-fMRIデータでエンコーダをアンタングルする。 我々は3つの異なるrs-fMRIデータセット上でTReNDフレームワークを広範囲に検証した。
• 参考スコア（独自算出の注目度）: 9.028625420296414
• License:
• Abstract: Precise parcellation of functional networks (FNs) of early developing human brain is the fundamental basis for identifying biomarker of developmental disorders and understanding functional development. Resting-state fMRI (rs-fMRI) enables in vivo exploration of functional changes, but adult FN parcellations cannot be directly applied to the neonates due to incomplete network maturation. No standardized neonatal functional atlas is currently available. To solve this fundamental issue, we propose TReND, a novel and fully automated self-supervised transformer-autoencoder framework that integrates regularized nonnegative matrix factorization (RNMF) to unveil the FNs in neonates. TReND effectively disentangles spatiotemporal features in voxel-wise rs-fMRI data. The framework integrates confidence-adaptive masks into transformer self-attention layers to mitigate noise influence. A self supervised decoder acts as a regulator to refine the encoder's latent embeddings, which serve as reliable temporal features. For spatial coherence, we incorporate brain surface-based geodesic distances as spatial encodings along with functional connectivity from temporal features. The TReND clustering approach processes these features under sparsity and smoothness constraints, producing robust and biologically plausible parcellations. We extensively validated our TReND framework on three different rs-fMRI datasets: simulated, dHCP and HCP-YA against comparable traditional feature extraction and clustering techniques. Our results demonstrated the superiority of the TReND framework in the delineation of neonate FNs with significantly better spatial contiguity and functional homogeneity. Collectively, we established TReND, a novel and robust framework, for neonatal FN delineation. TReND-derived neonatal FNs could serve as a neonatal functional atlas for perinatal populations in health and disease.
• Abstract（参考訳）: 初期のヒト脳の機能ネットワーク(FN)の正確なパーセレーションは、発達障害のバイオマーカーを同定し、機能発達を理解するための基礎となる。 静止状態fMRI(rs-fMRI)は機能的変化の生体内探索を可能にするが、不完全なネットワーク成熟により、成人のFNパーセレーションは新生児に直接適用できない。 現在、標準化された新生児機能アトラスは存在しない。 そこで本研究では,新しい自己教師型トランスフォーマー・オートエンコーダフレームワークであるTReNDを提案する。 TReNDはVoxel-wise rs-fMRIデータにおいて時空間的特徴を効果的に分解する。 このフレームワークは、ノイズの影響を軽減するために、信頼性適応マスクをトランスフォーマーの自己アテンション層に統合する。 自己監督型デコーダは、信頼できる時間的特徴として機能するエンコーダの潜伏埋め込みを洗練するためのレギュレータとして機能する。 空間コヒーレンスのために,脳表面をベースとした測地線距離を空間符号化とし,時間的特徴から機能的接続を行う。 TReNDクラスタリングアプローチは、これらの特徴を疎度と滑らかさの制約の下で処理し、堅牢で生物学的に妥当なパーセレーションを生成する。 我々は,従来の特徴抽出とクラスタリング技術に対して,シミュレーション,dHCP,HCP-YAの3つの異なるrs-fMRIデータセット上で,我々のTReNDフレームワークを広範囲に検証した。 以上の結果より,TReNDフレームワークは,空間整合性および機能的均質性に優れ,新生児FNの脱線における優位性を示した。 以上より,新生FN脱線のための新規で堅牢なフレームワークであるTReNDが確立された。 TReND由来の新生児FNは、健康と病気の周産期人口に対する新生児機能アトラスとして機能する可能性がある。

関連論文リスト

• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• Hierarchical Spatio-Temporal State-Space Modeling for fMRI Analysis [1.89314691075208]
  機能的マンバ (FST-Mamba) は, 機能的マンバ (FST-Mamba) をベースとしたfMRIを用いた神経バイオマーカーの探索モデルである。 脳ネットワーク内の個々のコンポーネント間の接続を集約するコンポーネントワイド・バラエティ・スケール・アグリゲーション(CVA)機構を提案する。 実験結果から,脳の分類と回帰作業におけるFST-Mambaモデルの有効性が示唆された。
  論文  参考訳（メタデータ） (2024-08-23T13:58:14Z)
• 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)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Neuro-BERT: Rethinking Masked Autoencoding for Self-supervised Neurological Pretraining [24.641328814546842]
  本稿では、フーリエ領域におけるマスク付き自己エンコーディングに基づく神経信号の自己教師付き事前学習フレームワークであるNeuro-BERTを提案する。 本稿では、入力信号の一部をランダムにマスキングし、欠落した情報を予測するFourier Inversion Prediction (FIP)と呼ばれる新しい事前学習タスクを提案する。 提案手法をいくつかのベンチマークデータセットで評価することにより,Neuro-BERTは下流神経関連タスクを大きなマージンで改善することを示す。
  論文  参考訳（メタデータ） (2022-04-20T16:48:18Z)
• Separating Stimulus-Induced and Background Components of Dynamic Functional Connectivity in Naturalistic fMRI [13.112514419777593]
  背景雑音から脳機能的接続性(FC)の刺激駆動動的変化を分離するための新しいデータ駆動アプローチを提案する。 共有低ランク部分空間を復元するために,低ランク行列の行間の差に対する融合型ペナルティを導入する。 融合PCPを解くために,乗算器の線形化交互方向法による効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-01-24T11:35:39Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Theory of gating in recurrent neural networks [5.672132510411465]
  リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、機械学習(ML)や神経科学で広く使われている強力な動的モデルである。 ここでは、ゲーティングが集合力学の2つの健全な特徴を柔軟に制御できることを示す。 ゲート制御の時間スケールは、ネットワークがフレキシブルインテグレータとして機能する、新しい、極端に安定な状態につながる。
  論文  参考訳（メタデータ） (2020-07-29T13:20:58Z)
• Neural Networks with Recurrent Generative Feedback [61.90658210112138]
  畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する 実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
  論文  参考訳（メタデータ） (2020-07-17T19:32:48Z)
• Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
  BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。 St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2020-03-24T01:56:50Z)

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。