論文の概要: Local Temporal Feature Enhanced Transformer with ROI-rank Based Masking for Diagnosis of ADHD

• arxiv url: http://arxiv.org/abs/2504.11474v1
• Date: Sat, 12 Apr 2025 02:03:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:40:24.940237
• Title: Local Temporal Feature Enhanced Transformer with ROI-rank Based Masking for Diagnosis of ADHD
• Title（参考訳）: ADHD診断のためのROI-rank Maskingを用いた局所時間特性増強型変圧器
• Authors: Byunggun Kim, Younghun Kwon,
• Abstract要約: 我々は、静止状態磁気共鳴(rsf-MRI)から重要な脳バイオマーカーを効果的に検出できるADHD診断変換器モデルを提案する。 このモデルは個々の特徴を学習するだけでなく,ADHD診断における注意構造との相関も学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In modern society, Attention-Deficit/Hyperactivity Disorder (ADHD) is one of the common mental diseases discovered not only in children but also in adults. In this context, we propose a ADHD diagnosis transformer model that can effectively simultaneously find important brain spatiotemporal biomarkers from resting-state functional magnetic resonance (rs-fMRI). This model not only learns spatiotemporal individual features but also learns the correlation with full attention structures specialized in ADHD diagnosis. In particular, it focuses on learning local blood oxygenation level dependent (BOLD) signals and distinguishing important regions of interest (ROI) in the brain. Specifically, the three proposed methods for ADHD diagnosis transformer are as follows. First, we design a CNN-based embedding block to obtain more expressive embedding features in brain region attention. It is reconstructed based on the previously CNN-based ADHD diagnosis models for the transformer. Next, for individual spatiotemporal feature attention, we change the attention method to local temporal attention and ROI-rank based masking. For the temporal features of fMRI, the local temporal attention enables to learn local BOLD signal features with only simple window masking. For the spatial feature of fMRI, ROI-rank based masking can distinguish ROIs with high correlation in ROI relationships based on attention scores, thereby providing a more specific biomarker for ADHD diagnosis. The experiment was conducted with various types of transformer models. To evaluate these models, we collected the data from 939 individuals from all sites provided by the ADHD-200 competition. Through this, the spatiotemporal enhanced transformer for ADHD diagnosis outperforms the performance of other different types of transformer variants. (77.78ACC 76.60SPE 79.22SEN 79.30AUC)
• Abstract（参考訳）: ADHD(アテンション・デフィシット・ハイパーアクティビティ・障害)は、現代の社会において、子どもだけでなく大人にも見られる一般的な精神疾患の1つである。 本研究では,静止状態機能磁気共鳴(rs-fMRI)から重要な脳時空間バイオマーカーを効果的に検出できるADHD診断変換器モデルを提案する。 このモデルは時空間的特徴を学習するだけでなく,ADHD診断に特有な注意構造との相関も学習する。 特に、局所的酸素濃度依存(BOLD)シグナルの学習と、脳内の重要な関心領域(ROI)の識別に焦点を当てている。 具体的には,ADHD診断用変圧器の3つの方法について述べる。 まず,CNNを用いた埋め込みブロックを設計し,より表現力のある埋め込み機能を脳領域の注意にもたらす。 トランスの従来のCNNベースのADHD診断モデルに基づいて再構成する。 次に、個別の時空間的特徴注意に対して、注意法を局所的時間的注意とROIランクに基づくマスキングに変更する。 fMRIの時間的特徴として、局所的時間的注意は、単純なウィンドウマスキングのみで局所的なBOLD信号の特徴を学習することができる。 fMRIの空間的特徴として、ROIランクに基づくマスキングは、注意スコアに基づいてROI関係に高い相関関係を持つROIを識別し、ADHD診断のためのより具体的なバイオマーカーを提供する。 この実験は様々な種類の変圧器モデルを用いて行われた。 これらのモデルを評価するため,ADHD-200コンペティションが提供するすべてのサイトから,939名の個人からデータを収集した。 これにより、ADHD診断のための時空間拡張変換器は、他の種類の変圧器変圧器の性能より優れる。 (77.78ACC76.60SPE79.22SEN79.30AUC)

関連論文リスト

• An ADHD Diagnostic Interface Based on EEG Spectrograms and Deep Learning Techniques [7.43546591259295]
  本稿では,脳波(EEG)信号に対する深層学習(DL)技術を用いた注意欠陥・高活動障害(ADHD)診断への革新的アプローチを提案する。 公開されているEEGデータセットを活用して信号をスペクトログラムに変換することで、ADHD分類のための特徴抽出にResnet-18畳み込みニューラルネットワーク(CNN)アーキテクチャを使用した。 モデルでは高い精度、リコール、F1総合スコアは0.9。
  論文  参考訳（メタデータ） (2024-12-03T18:59:35Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• 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)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Detection of ADHD based on Eye Movements during Natural Viewing [3.1890959219836574]
  ADHDは神経発達障害であり、臨床専門医が診断する必要がある。 我々は、関連するタスクに対して事前学習を行う、エンドツーエンドのディープラーニングベースのシーケンスモデルを開発する。 この手法は実際にADHDを検出し、関連するベースラインを上回ります。
  論文  参考訳（メタデータ） (2022-07-04T12:56:04Z)
• Classification of ADHD Patients Using Kernel Hierarchical Extreme Learning Machine [3.39487428163997]
  我々は、脳機能接続のダイナミクスを利用して、医療画像データの特徴をモデル化する。 その結果,最先端モデルよりも優れた分類率を得た。
  論文  参考訳（メタデータ） (2022-06-28T05:17:54Z)
• 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)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。