文献

J-GLOBAL ID：201702213745676268   整理番号：17A1715811

深い畳込み自動符号器による細粒度機能的脳ネットワーク地図の構築【Powered by NICT】

Constructing fine-granularity functional brain network atlases via deep convolutional autoencoder

著者 (8件)： Zhao Yu (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States) ,  Dong Qinglin (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States) ,  Chen Hanbo (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States) ,  Iraji Armin (Department of Biomedical Engineering, Wayne State University, Detroit, MI, United States) ,  Li Yujie (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States) ,  Makkie Milad (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States) ,  Kou Zhifeng (Department of Biomedical Engineering, Wayne State University, Detroit, MI, United States) ,  Liu Tianming (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, United States)
資料名： Medical Image Analysis  (Medical Image Analysis)
巻： 42  ページ： 200-211  発行年： 2017年 
JST資料番号： W3156A  ISSN： 1361-8415  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 独立成分分析(ICA)または全脳f MRIデータのスパース符号化のような最新の機能的脳ネットワーク再構成法は,多数のヒト脳からの多くの千体積脳ネットワークマップを推定できる。しかし,統計的に意味のあるグループレベル解析に必要な個々の脳ネットワークの変動性とそのようなネットワークの大規模のために,ネットワーク地図としてグループワイズ共通ネットワークを導出するために挑戦的で未解決の問題である。深い畳込みニューラルネットワーク(CNN)の優れた空間パターン記述能力に触発されて,新しい深さ3D畳込みオートエンコーダ(CAE)ネットワークは空間的脳ネットワーク特徴を効率的に抽出するここで設計した,Apache放電可能にした計算フレームワークは,細粒度地図にネットワークマップの多数の高速クラスタリングのために開発したものである。この枠組みを評価するために,10安静時ネットワーク(RSN)はHuman Connectome Project(HCP)fMRIデータの疎分解ネットワークからの標識手動5275ネットワーク訓練サンプルが得られ,全であった。深いCAEモデルはこれらの機能的ネットワークの空間的マップにより訓練されると,学習された特徴を用いて微細粒度機能的ネットワークパターンを有する17ネットワーク地図の中に元の10RSNを精密化した。興味深いことに,訓練ネットワークにおけるいくつかの手動誤分類の異常値が導出した特徴深いCAEによる補正できることが分かった。より重要なことは,ネットワークの微細粒度を同定でき,それらは異なる脳タスク状態に特異的なユニークなネットワークパターンを明らかにした。軽度外傷性脳損傷研究のデータセットにこの方法を適用することにより,それは,この技術が対照と比較して脳損傷患者における異常な小ネットワークを効率的に同定できることを示した。一般的に,著者らの研究は,モデリング機能connectomesのための有望な深層学習とビッグデータ解析解を提示し,微細粒度,fMRIデータに基づいて。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *畳込み ,  *符号器 ,  *ネットワーク ,  クラスタ化 ,  異常値 ,  精密化 ,  学習 ,  独立成分分析 ,  モデリング ,  三次元 ,  高速度 ,  ニューラルネットワーク ,  ヒト ,  解析的解法
準シソーラス用語： *細粒度 , 【Automatic Indexing@JST】

著者キーワード (3件)： fMRI ,  機能的脳ネットワーク ,  深い学習

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (6件)： 畳込み ,  符号器 ,  細粒度 ,  脳ネットワーク ,  地図 ,  構築