文献

J-GLOBAL ID：202202263542608741   整理番号：22A1019301

深いSiamesネットワークを用いた静止状態fMRIICAコンポーネントの自動分類【JST・京大機械翻訳】

Automated Classification of Resting-State fMRI ICA Components Using a Deep Siamese Network

著者 (8件)： Chou Yiyu (Center for Neuroscience and Regenerative Medicine, Bethesda, MD, United States) ,  Chang Catie (Department of Electrical Engineering and Computer Science, Vanderbilt University, Nashville, TN, United States) ,  Remedios Samuel W. (Department of Computer Science, Johns Hopkins University, Baltimore, MD, United States) ,  Butman John A. (Center for Neuroscience and Regenerative Medicine, Bethesda, MD, United States) ,  Butman John A. (Radiology and Imaging Sciences, National Institutes of Health, Bethesda, MD, United States) ,  Chan Leighton (Center for Neuroscience and Regenerative Medicine, Bethesda, MD, United States) ,  Chan Leighton (Rehabilitation Medicine Department at Clinical Center, National Institutes of Health, Bethesda, MD, United States) ,  Pham Dzung L. (Center for Neuroscience and Regenerative Medicine, Bethesda, MD, United States)
資料名： Frontiers in Neuroscience (Web)  (Frontiers in Neuroscience (Web))
巻： 16  ページ： 768634  発行年： 2022年 
JST資料番号： U7087A  ISSN： 1662-453X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 独立成分分析(ICA)分解に由来する機能的静止状態ネットワーク(RSNs)のマニュアル分類は労働集約的であり,特に大きな多主題分析において専門知識を必要とする。したがって,これらのRSNを確実に分類できる完全自動アルゴリズムが望ましい。本論文では,単一被験者ICA成分分類のための識別特徴表現を学習するために,Siameseネットワークに基づく深層学習アプローチを提案した。この教師付きフレームワークの利点は,比較的少ない訓練データ例を必要とし,特定のICA部品の数を必要としないことである。さらに,提案アプローチは,1ショット学習を可能にし,各新しいクラスの1例のみの訓練セットで見られない新しいクラスへの一般化を可能にした。提案手法は,従来の畳込みニューラルネットワーク(CNN)とテンプレートマッチング法を,11の被験者特有のRSNの同定において,外部データセットで,保持データセットで100%の精度を達成し,99%以上の精度を達成することを示した。また,この方法がスキャン-スキャン変動に対してロバストであることを示した。最後に,提案した技法によって同定されたデフォルトモードとサリエンスネットワークの機能的連結性が,軽度外傷性脳外傷(TBI),重症TBI,および健常被験者のグループ解析で変化することを示す。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  表現 ,  学習 ,  *自動分類 ,  主題分析 ,  *ネットワーク ,  ニューラルネットワーク ,  NMRイメージング ,  パターンマッチング ,  ロバスト性 ,  機械学習 ,  脳損傷 ,  独立成分分析
準シソーラス用語： 被験者 ,  訓練データ ,  テンプレートマッチング ,  特徴表現 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： 安静時機能MRI ,  独立成分分析 ,  深層学習 ,  シアメーズネットワーク ,  分類 ,  磁気共鳴イメージング(MRI) ,  ワンショット学習

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (57件)：

• Augustus O. (2016). Semi-supervised learning with generative adversarial networks. arXiv [Preprint]. 1606.01583,
• Beckmann C. F., Smith S. M. (2004). Probabilistic independent component analysis for functional magnetic resonance imaging. IEEE Trans. Med. Imaging 230 137-152. doi: 10.1109/TMI.2003.822821
• Bertinetto L., Valmadre J., Henriques J. F., Vedaldi A., Torr P. H. S. (2016). “"Fully-convolutional siamese networks for object tracking,"” in Proceedings of the Computer Vision - ECCV 2016 Workshops. ECCV 2016. Lecture Notes in Computer Science, Vol. 9914 eds Hua G., Jégou H. (Cham: Springer), 850-865. doi: 10.1109/TMI.2003.822821
• Biswal B. B., Meennes M., Zuo X. N., Gohel S., Kelly C., Smith S. M., et al (2010). Toward discovery science of human brain function. Proc. Natl. Acad. Sci. U.S.A. 107 4734-4739. doi: 10.1073/pnas.0911855107
• Bromley J., Guyon I., LeCun Y., Sackinger E., Shah R. (1994). “"Signature verification using a “Siamese” time delay neural network,"” in Proceedings of the Advances in Neural Information Processing Systems, Denver, CO, 737-744. doi: 10.1073/pnas.0911855107

タイトルに関連する用語 (3件)： 静止状態 ,  コンポーネント ,  自動分類