論文の概要: Improving Brain Disorder Diagnosis with Advanced Brain Function Representation and Kolmogorov-Arnold Networks

• arxiv url: http://arxiv.org/abs/2504.03923v1
• Date: Fri, 04 Apr 2025 20:42:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:40.766259
• Title: Improving Brain Disorder Diagnosis with Advanced Brain Function Representation and Kolmogorov-Arnold Networks
• Title（参考訳）: 高度な脳機能表現とコルモゴロフ・アルノルドネットワークによる脳障害診断の改善
• Authors: Tyler Ward, Abdullah-Al-Zubaer Imran,
• Abstract要約: 機能的接続の定量化(FC)は、様々な脳疾患の診断に欠かせない指標である。 本稿では,脳機能表現を効果的に表現できる新しいトランスフォーマーベース分類ネットワーク(AFBR-KAN)を提案する。
• 参考スコア（独自算出の注目度）: 0.31077024712075796
• License:
• Abstract: Quantifying functional connectivity (FC), a vital metric for the diagnosis of various brain disorders, traditionally relies on the use of a pre-defined brain atlas. However, using such atlases can lead to issues regarding selection bias and lack of regard for specificity. Addressing this, we propose a novel transformer-based classification network (AFBR-KAN) with effective brain function representation to aid in diagnosing autism spectrum disorder (ASD). AFBR-KAN leverages Kolmogorov-Arnold Network (KAN) blocks replacing traditional multi-layer perceptron (MLP) components. Thorough experimentation reveals the effectiveness of AFBR-KAN in improving the diagnosis of ASD under various configurations of the model architecture. Our code is available at https://github.com/tbwa233/ABFR-KAN
• Abstract（参考訳）: 機能的接続の定量化(FC)は、様々な脳疾患の診断に欠かせない指標であり、伝統的に事前に定義された脳アトラスの使用に依存している。 しかし、そのようなアトラスを用いることで、選択バイアスや特異性への配慮の欠如が問題となる可能性がある。 そこで我々は,自閉症スペクトラム障害(ASD)の診断を支援するために,効果的な脳機能表現を備えたトランスフォーマーベース分類ネットワーク(AFBR-KAN)を提案する。 AFBR-KANはKolmogorov-Arnold Network(KAN)ブロックを活用し、従来のマルチ層パーセプトロン(MLP)コンポーネントを置き換える。 より詳細な実験により、モデルアーキテクチャの様々な構成下でのAFBR-KANによるASDの診断の改善効果が明らかとなった。 私たちのコードはhttps://github.com/tbwa233/ABFR-KANで利用可能です。

関連論文リスト

• Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion [16.622075098468002]
  脳ネットワーク分類の標準アトラスは存在せず、障害の異常を検出するのに限界がある。 最近の手法では複数のアトラスを利用する方法が提案されているが、それらはアトラス間の一貫性を無視し、ROIレベルの情報交換を欠いている。 我々は,fMRIデータを用いた脳ネットワーク分類を改善するために,Atlas-Integrated Distillation and Fusion Network (AIDFusion)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T11:51:35Z)
• 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)
• 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)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• Exploiting the Brain's Network Structure for Automatic Identification of ADHD Subjects [70.37277191524755]
  我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。 776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
  論文  参考訳（メタデータ） (2023-06-15T16:22:57Z)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• 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)
• Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
  ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。 この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
  論文  参考訳（メタデータ） (2022-03-30T13:07:41Z)
• 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)
• 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)

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。