論文の概要: DWI Connectome-based Sex Classification in Young using Supervised Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2610.16348v1
• Date: Mon, 12 Oct 2026 08:04:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.333457
• Title: DWI Connectome-based Sex Classification in Young using Supervised Variational Autoencoder
• Title（参考訳）: 教師付き変分オートエンコーダを用いた若年者のDWIコネクトームに基づく性分類
• Abstract要約: 本研究は,DWI構造コネクトームを用いた15～25歳の若年者787名を対象に性分類を行った。 SVAEはDWIコネクトームデータから潜在空間の特徴を抽出するために用いられる。
• 参考スコア（独自算出の注目度）: 3.2121013713805104
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: During adolescence, significant changes in brain development are influenced by hormonal changes that impact both the body and the brain. This study presents sex classification in 787 young adults having age range of 15-25 years using Diffusion-weighted (DWI) structural connectome, focusing on 82 Desikan-Killiany atlas ROIs. A supervised variational autoencoder (SVAE) is used to extract latent space features from DWI connectome data. Although several studies explored differences in brain structure and function between sexes, the main contribution of this study lies in incorporating SVAE to learn a compact, regularized latent representation for the task of sex classification. Initial exploratory data analysis shows that these features can capture the differences in sex-specific latent space patterns. Subsequently, the learned latent space SVAE features are fed to different ML models for sex classification. Among the considered ML classifiers, the multi-layer perceptron yields the highest accuracy of 80% in classifying sex. This demonstrates the effectiveness of SVAE in learning compact, informative representations from DWI connectome for sex classification. The present work highlights the potential of using DWI brain connectomics and deep learning to differentiate sex, paving the way for future research on diverse populations that may include transgender individuals, to better understand sex-related variations in brain structure.
• Abstract（参考訳）: 青年期には、脳の発達の著しい変化は、身体と脳の両方に影響を及ぼすホルモンの変化に影響される。 本研究は,DWI構造コネクトームを用いて,年齢が15～25歳である787人の若年者を対象に,82例のDesikan-Killiany atlas ROIに着目して性別分類を行った。 SVAEはDWIコネクトームデータから潜在空間の特徴を抽出するために用いられる。 いくつかの研究では、性間の脳の構造と機能の違いについて研究されているが、本研究の主な貢献は、性分類のタスクのためのコンパクトで規則化された潜在性表現を学ぶためにSVAEを取り入れることである。 初期の探索データ分析は、これらの特徴が性固有の潜在空間パターンの違いを捉えることができることを示している。 その後、学習された潜伏空間SVAEの機能は、性別分類のために異なるMLモデルに供給される。 検討されたML分類器のうち、多層パーセプトロンは性分類において80%の精度が得られる。 このことは、性分類のためのDWIコネクトームからのコンパクトで情報的表現の学習におけるSVAEの有効性を示す。 本研究は、DWI脳コネクトロミクスと深層学習を用いて性差を識別し、トランスジェンダーの個体を含む多様な個体群を将来研究し、性に関連する脳構造の変化をよりよく理解する方法を明らかにする。

関連論文リスト

• On the Within-class Variation Issue in Alzheimer's Disease Detection [66.70233526150723]
  Alzheimer's Disease (AD) 検出では、ADと非ADの個人を区別するために、機械学習の分類モデルを使用している。 そこで本研究では,サンプルスコア推定器を用いて,認知的スコアと整合した標本特異的なソフトスコアを生成できることを確認した。 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つの簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Group-specific discriminant analysis reveals statistically validated sex differences in lateralization of brain functional network [7.01314545449491]
  Group-Specific Discriminant Analysis (GSDA) は1次分類のために開発された。 Group-Specific Discriminant Analysis (GSDA) は1次分類のために開発された。
  論文  参考訳（メタデータ） (2024-04-08T16:36:07Z)
• A Study of Age and Sex Bias in Multiple Instance Learning based Classification of Acute Myeloid Leukemia Subtypes [44.077241051884926]
  複数のMILモデルをトレーニングセットで異なるレベルの性不均衡を用いて訓練し、特定の年齢群を除外する。 性別と年齢の偏りがAMLサブタイプ分類モデルの性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-08-24T09:32:46Z)
• 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)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• Prediction of Gender from Longitudinal MRI data via Deep Learning on Adolescent Data Reveals Unique Patterns Associated with Brain Structure and Change over a Two-year Period [1.733758804432323]
  我々は,脳構造における性別関連変化を推定し,性別関連変化を同定するための構造MRIデータについて検討した。 その結果, 性別予測精度は, トレーニングエポックが200歳未満で, 非常に高い (>97%) ことが示唆された。 青年期の脳がどのように変化するかは、これらの変化が行動や環境の異なる要因とどのように関連しているかを調べることで研究することができるかもしれない。
  論文  参考訳（メタデータ） (2022-09-15T19:57:16Z)
• Model and predict age and sex in healthy subjects using brain white matter features: A deep learning approach [8.202227194197066]
  拡散MRIは、脳のWM構造を非侵襲的に記述する強力なツールを提供する。 ファイバクラスタに基づく拡散特性を抽出し、新しいアンサンブルニューラルネットワークを用いて性別と年齢を予測する。 我々は,Human Connectome Project (HCP) の若年成人データセットを用いて実験を行い,性別予測では94.82%,年齢予測では2.51歳,年齢予測では94.82%の精度で得られた。
  論文  参考訳（メタデータ） (2022-02-08T01:50:12Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Deep Learning and Bayesian Deep Learning Based Gender Prediction in Multi-Scale Brain Functional Connectivity [2.2182171526013774]
  脳機能接続(FC)から性別を予測することは、脳の活動と性別の関係を構築することができる。 性別予測に適用された現在の予測モデルは、良好な精度を示す。 本稿では,複数スケールの脳内FCの性別をディープラーニングで予測し,完全なFCパターンを特徴として抽出する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-18T02:43:26Z)

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。