論文の概要: ASD Classification on Dynamic Brain Connectome using Temporal Random Walk with Transformer-based Dynamic Network Embedding

• arxiv url: http://arxiv.org/abs/2503.12366v1
• Date: Sun, 16 Mar 2025 05:44:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:30.686564
• Title: ASD Classification on Dynamic Brain Connectome using Temporal Random Walk with Transformer-based Dynamic Network Embedding
• Title（参考訳）: Transformer-based Dynamic Network Embedding を用いた時間ランダムウォークを用いた動的脳コネクトームのASD分類
• Authors: Suchanuch Piriyasatit, Chaohao Yuan, Ercan Engin Kuruoglu,
• Abstract要約: 我々は、時間とともに脳の接続の時間的進化を捉える新しい動的ネットワーク埋め込み手法であるBrainTWTを提案する。 自閉症脳画像データ交換(ABIDE)データセットを用いた実験的評価は、BrainTWTがASD分類におけるベースライン手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.6044444452278062
• License:
• Abstract: Autism Spectrum Disorder (ASD) is a complex neurological condition characterized by varied developmental impairments, especially in communication and social interaction. Accurate and early diagnosis of ASD is crucial for effective intervention, which is enhanced by richer representations of brain activity. The brain functional connectome, which refers to the statistical relationships between different brain regions measured through neuroimaging, provides crucial insights into brain function. Traditional static methods often fail to capture the dynamic nature of brain activity, in contrast, dynamic brain connectome analysis provides a more comprehensive view by capturing the temporal variations in the brain. We propose BrainTWT, a novel dynamic network embedding approach that captures temporal evolution of the brain connectivity over time and considers also the dynamics between different temporal network snapshots. BrainTWT employs temporal random walks to capture dynamics across different temporal network snapshots and leverages the Transformer's ability to model long term dependencies in sequential data to learn the discriminative embeddings from these temporal sequences using temporal structure prediction tasks. The experimental evaluation, utilizing the Autism Brain Imaging Data Exchange (ABIDE) dataset, demonstrates that BrainTWT outperforms baseline methods in ASD classification.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、発達障害、特にコミュニケーションや社会的相互作用において特徴付けられる複雑な神経疾患である。 ASDの正確な早期診断は効果的な介入に不可欠であり、脳活動のより豊かな表現によって強化される。 脳機能コネクトームは、神経イメージングによって測定された異なる脳領域間の統計的関係を指し、脳機能に重要な洞察を与える。 従来の静的な手法は、しばしば脳の活動の動的な性質を捉えるのに失敗するが、対照的に、動的脳コネクトーム分析は脳の時間的変動を捉えることによってより包括的なビューを提供する。 我々は、時間とともに脳接続の時間的進化を捉え、異なる時間的ネットワークスナップショット間のダイナミクスも考慮する、新しい動的ネットワーク埋め込みアプローチであるBrainTWTを提案する。 BrainTWTは、時間的ランダムウォークを使用して、異なる時間的ネットワークスナップショットのダイナミックスをキャプチャし、Transformerのシーケンシャルデータにおける長期依存をモデル化し、時間的構造予測タスクを使用して、これらの時間的シーケンスからの識別的埋め込みを学習する能力を活用する。 自閉症脳画像データ交換(ABIDE)データセットを用いた実験的評価は、BrainTWTがASD分類におけるベースライン手法より優れていることを示す。

関連論文リスト

• A Deep Spatio-Temporal Architecture for Dynamic Effective Connectivity Network Analysis Based on Dynamic Causal Discovery [16.65408500213276]
  本稿では,動的因果関係のモデル化に動的因果関係の深部を取り入れた動的因果関係の深部融合アーキテクチャと,その因果関係の検証を行う動的因果関係の深部復号器を提案する。 分析の結果, 若年者と小児のDECNの差が認められた。 この観察により、発達中のモジュラー化と適応ネットワークに関するさらなる証拠が得られ、若年層では高い認知能力が観察される。
  論文  参考訳（メタデータ） (2025-01-31T02:39:35Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Multi-Resolution Graph Analysis of Dynamic Brain Network for Classification of Alzheimer's Disease and Mild Cognitive Impairment [0.0]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。 ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。 本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-06T07:26:14Z)
• BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
  本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
  論文  参考訳（メタデータ） (2024-06-24T19:16:24Z)
• 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)
• DSAM: A Deep Learning Framework for Analyzing Temporal and Spatial Dynamics in Brain Networks [4.041732967881764]
  ほとんどのrs-fMRI研究は、関心のある脳領域にまたがる単一の静的機能接続行列を計算している。 これらのアプローチは、脳のダイナミクスを単純化し、目の前のゴールを適切に考慮していないリスクがある。 本稿では,時系列から直接ゴール固有の機能的接続行列を学習する,解釈可能な新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-19T23:35:06Z)
• 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)
• Exploring neural oscillations during speech perception via surrogate gradient spiking neural networks [59.38765771221084]
  本稿では、ディープラーニングフレームワークと互換性があり、スケーラブルな、生理学的にインスパイアされた音声認識アーキテクチャを提案する。 本研究では, 終末から終末までの勾配降下訓練が, 中枢スパイク神経ネットワークにおける神経振動の出現に繋がることを示す。 本研究は, スパイク周波数適応やリカレント接続などのフィードバック機構が, 認識性能を向上させるために, 神経活動の調節と同期に重要な役割を担っていることを明らかにする。
  論文  参考訳（メタデータ） (2024-04-22T09:40:07Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)

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。