文献

J-GLOBAL ID：202002216023400055   整理番号：20A1240507

体積スパース深信念ネットワークによる階層的脳ネットワークのモデリング【JST・京大機械翻訳】

Modeling Hierarchical Brain Networks via Volumetric Sparse Deep Belief Network

著者 (10件)： Dong Qinglin (Cortical Architecture Imaging and Discovery LabDepartment of Computer Science and Bioimaging Research CenterUniversity of Georgia) ,  Ge Fangfei (Cortical Architecture Imaging and Discovery LabDepartment of Computer Science and Bioimaging Research CenterUniversity of Georgia) ,  Ning Qiang (School of Physics and Information TechnologyShaanxi Normal University) ,  Zhao Yu (Cortical Architecture Imaging and Discovery LabDepartment of Computer Science and Bioimaging Research CenterUniversity of Georgia) ,  Lv Jinglei (Department of Biomedical EngineeringUniversity of Melbourne) ,  Huang Heng (School of AutomationNorthwestern Polytechnical University) ,  Yuan Jing (College of Artificial Intelligence, and the Tianjin Key Laboratory of Intelligent RoboticsNankai University) ,  Jiang Xi (School of Life Science and TechnologyMOE Key Lab for NeuroinformationUniversity of Electronic Science and Technology of China) ,  Shen Dinggang (Department of Radiology and BRIC, UNC Chapel Hill, USA) ,  Liu Tianming (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, University of Georgia, Athens, GA, USA)
資料名： IEEE Transactions on Biomedical Engineering  (IEEE Transactions on Biomedical Engineering)
巻： 67  号： 6  ページ： 1739-1748  発行年： 2020年 
JST資料番号： C0236A  ISSN： 0018-9294  CODEN： IEBEAX  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 最近,畳込みニューラルネットワーク(CNN),深い信念ネットワーク(DBN)およびリカレントニューラルネットワーク(RNN)のような深い学習モデルが,それらの優れたデータ表現能力および効果的な深い学習ツールの広い利用可能性のため,機能的活動およびネットワークの理解のためのfMRIデータのモデリングおよび表現において顕著な能力を示すことが示されている。例えば,fMRIデータに埋め込まれた機能的脳活動の空間的および/または時間的パターンを,最近の研究で示されたように,様々なCNN/DBN/RNN深い学習モデルにより,効果的に特徴付け,モデル化することができる。しかしながら,DBNのような深い学習モデルを用いて,体積fMRIデータから階層的脳ネットワークを直接推論することができるかどうかについてはほとんど研究されていない。そのような研究の認識された困難さは,非常に多数の入力変数,非常に多数の訓練パラメータ,効果的なソフトウェアツールの欠如,結果解釈の挑戦などを含む。これらの技術的ギャップを橋渡しするために,著者らは,新しい体積スパース深い信念ネットワーク(VS-DBN)モデルを設計し,一般的なTensorFlowオープンソースプラットフォームを通して実装し,ヒューマンコネクトプロジェクト(HCP)900人のリリースに基づく体積fMRIデータから階層的脳ネットワークを再構築した。著者らの実験結果は,多数の解釈可能で意味のある脳ネットワークが,階層的な方法でHCP900人からロバストに再構成でき,重要なことに,これらの脳ネットワークは,複数のHCPタスクに基づくfMRIデータセットを通して,合理的に良好な一貫性と対応を示すことを示した。著者らの研究は,マルチスケール容積脳ネットワークを推論するための新しい一般的な深い学習フレームワークに貢献し,機能的脳アーキテクチャの階層的組織化への新しい洞察を提供した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  学習モデル ,  *ネットワーク ,  データ表現 ,  再構成 ,  支援プログラム ,  計算機アーキテクチャ ,  ロバスト性
準シソーラス用語： マルチスケール ,  *信念ネットワーク ,  リカレントニューラルネットワーク ,  機能的MRI ,  脳活動 ,  学習ツール ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 医用画像処理  (JE04020T) ,  脳・神経系モデル  (EL02050C)

タイトルに関連する用語 (4件)： 体積 ,  信念ネットワーク ,  脳ネットワーク ,  モデリング