文献

J-GLOBAL ID：202002219796701882   整理番号：20A2273566

ADHD分類のための時空間注意オートエンコーダ(STAAE)【JST・京大機械翻訳】

Spatiotemporal Attention Autoencoder (STAAE) for ADHD Classification

著者 (8件)： Dong Qinglin (Center for Advanced Medical Computing and Analysis, Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA) ,  Qiang Ning (School of Physics and Information Technology, Shaanxi Normal University, Xi’an, China) ,  Lv Jinglei (School of Biomedical Engineering and Sydney Imaging, Brain and Mind Centre, The University of Sydney, Camperdown, Australia) ,  Li Xiang (Center for Advanced Medical Computing and Analysis, Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA) ,  Li Xiang (MGH & BWH Center for Clinical Data Science, Boston, MA, USA) ,  Liu Tianming (Cortical Architecture Imaging and Discovery Lab, Department of Computer Science and Bioimaging Research Center, The University of Georgia, Athens, GA, USA) ,  Li Quanzheng (Center for Advanced Medical Computing and Analysis, Department of Radiology, Massachusetts General Hospital and Harvard Medical School, Boston, MA, USA) ,  Li Quanzheng (MGH & BWH Center for Clinical Data Science, Boston, MA, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12267  ページ： 508-517  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 静止状態機能的磁気共鳴イメージング(rfMRI)に基づく時空間脳機能および障害をモデル化するため,神経画像コミュニティにおいて大きな関心が持たれている。これまで,畳み込みネットワーク(CNN)やリカレントネットワーク(RNN)のような深層学習モデルを含む,rfMRIのための様々な時空間手法が提案されてきた。しかし,支配的なモデルは,それらの逐次的性質のために長距離依存性(LDD)を捉えることに失敗し,メモリ限界により長いシーケンス長で重要になる。長期記憶と注意のヒト脳の異常な能力に触発されて,全体的依存性を引き出すための機械翻訳のために注意機構を設計し,最先端の状態を達成した。本論文では,rfMRIにおけるLDDを扱う大域的特徴を発見するために,時空間注意自動符号器(STAE)を提案した。STAAEは,rfMRIシーケンスを通して情報を符号化し,データの空間的および時間的特性を特徴付ける静止状態ネットワーク(RSN)を明らかにした。rfMRIが外部タスクなしで測定されることを考慮して,STAAEで生成されたコネクトームに基づいて教師なし分類フレームワークを開発した。このフレームワークは,ADHDの281人の子供とADHD200データセットの4つのサイトからの266人の正常対照小児について評価された。提案したSTAAEは,脳におけるグローバルな機能的相互作用を明らかにし,複数のサイトで59.5%から77.2%までの最先端の分類精度を達成した。提案した注意ベースモデルは,ヒト脳のより良い理解に向けた新しいアプローチを提供する。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  相互作用 ,  畳込み ,  機械翻訳 ,  *ネットワーク ,  コミュニティ ,  ヒト ,  符号器 ,  子供
準シソーラス用語： 長期記憶 ,  リカレントニューラルネットワーク ,  機能的MRI ,  分類精度 ,  脳機能 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層学習 ,  rfMRI ,  注意機構 ,  機能ネットワーク ,  ADHD

分類 (2件)： 中枢神経系  (EJ12030F) ,  神経の基礎医学  (GN01020W)

タイトルに関連する用語 (5件)： ADHD ,  分類 ,  時空間 ,  注意 ,  オートエンコーダ