- Многомерные представления о депрессии в пожилом возрасте: конвергенция нейровизуализации, когнитивных функций, клинической симптоматики и генетики (arXiv)
Автор:Джунхао Вэнь, Синтия Х.Ю. Фу, Дуйгу Тосун, Йогасудха Ветури, Чжицзян Ян, Ахмед Абдулкадир, Элизабет Мамурян, Дхивья Шринивасан, Цзинсюань Бао, Гурай Эрус, Хаочан Шоу, Мохамад Хабес, Джимит Доши, Эрдем Варол, Скотт Р. Маккин, Аристейдис Сотирас, Ён Фан, Эндрю Дж. Сайкин, Иветт И. Шелин, Ли Шен, Мэрилин Д. Ричи, Дэвид А. Волк, Мэрилин Альберт, Сьюзан М. Резник, Христос Давацикос
Аннотация: Депрессия позднего возраста (LLD) характеризуется значительной гетерогенностью клинических проявлений. Распутывание такой неоднородности помогло бы выяснить этиологические механизмы и проложило бы путь к точной и индивидуализированной медицине. Мы стремились очертить, поперечно и продольно, гетерогенность LLD, связанную с заболеванием, связанную с нейроанатомией, когнитивным функционированием, клинической симптоматикой и генетическими профилями. Были проанализированы мультимодальные данные из многоцентровой выборки (N=996). Метод полуконтролируемой кластеризации (HYDRA) был применен к регионарным объемам серого вещества (GM) мозга для получения пространственных представлений. Были идентифицированы два измерения, которые объясняли связанную с LLD гетерогенность в воксельных картах GM, фракционную анизотропию (FA) белого вещества (WM), нейрокогнитивное функционирование, клинический фенотип и генетику. Измерение один (Dim1) продемонстрировало относительно сохранную анатомию мозга без нарушений WM по сравнению со здоровым контролем. В отличие от этого, измерение два (Dim2) показало распространенную атрофию головного мозга и нарушение целостности WM, наряду с когнитивными нарушениями и более высокой степенью депрессии. Более того, один независимый генетический вариант de novo (rs13120336) был в значительной степени связан с Dim 1, но не с Dim 2. Примечательно, что два параметра продемонстрировали значительную наследуемость на основе SNP в 18–27% в общей популяции (N = 12 518 в UKBB). . Наконец, в подгруппе людей, прошедших лонгитюдные измерения, Dim2 продемонстрировал более быстрое лонгитюдное снижение GM и возраста мозга и с большей вероятностью прогрессировал до болезни Альцгеймера по сравнению с Dim1 (N = 1413 участников и 7225 сканирований из ADNI, BLSA, и наборы данных BIOCARD)
2. Преимущества предварительной выборки для крупномасштабных облачных рабочих процессов анализа нейровизуализации (arXiv)
Автор:Валери Айо-Сассон, Тристан Глатар, Ариэль Рокем
Аннотация. Чтобы удовлетворить растущий спрос на нейробиологические приложения, исследователи переходят на облачные вычисления из-за их масштабируемой, надежной и эластичной инфраструктуры. Тем не менее, большие наборы данных, находящиеся в хранилищах объектов, могут привести к значительным накладным расходам на передачу данных во время выполнения рабочего процесса. Предварительная выборка, метод снижения стоимости чтения в смешанных рабочих нагрузках, маскирует затраты на передачу данных в пределах времени обработки предыдущих задач. Мы представляем реализацию «Rolling Prefetch», библиотеки Python, которая реализует конкретную форму предварительной выборки из хранилища объектов AWS S3, и количественно оцениваем ее преимущества. Rolling Prefetch расширяет S3Fs, библиотеку Python, предоставляющую функциональные возможности AWS S3 через файловый объект, добавляя возможности предварительной выборки. При измерении производительности анализа набора данных подключения мозга объемом 500 ГБ, хранящегося на S3, мы обнаружили, что предварительная выборка обеспечивает значительное ускорение до 1,86x даже в приложениях, полностью состоящих из загрузки данных. Наблюдаемые значения ускорения согласуются с нашим теоретическим анализом. Наши результаты демонстрируют полезность предварительной выборки для обработки научных данных в облачных инфраструктурах и обеспечивают реализацию, применимую к различным областям приложений.
3. Оценка осуществимости многозадачности в анализе нейровизуализации МРТ: сегментация ткани, преобразование кросс-модальности и коррекция смещения (arXiv)
Автор:Мохаммад Эслами, Солале Табарестани, Малек Аджуади
Аннотация:Нейровизуализация имеет важное значение в исследованиях головного мозга для диагностики и идентификации заболеваний, структуры и функций мозга в его здоровом и болезненном состояниях. Литература показывает, что есть преимущества многозадачности с некоторыми схемами глубокого обучения (DL) в сложных приложениях нейровизуализации. В этом исследовании изучается возможность использования многозадачности в трех различных приложениях, включая сегментацию тканей, кросс-модальное преобразование и коррекцию поля смещения. Эти приложения отражают пять различных сценариев, в которых изучается многозадачность и проводится 280 учебных и тестовых сеансов для эмпирической оценки. Реализованы две известные сети, U-Net как известная архитектура сверточной нейронной сети и закрытая архитектура, основанная на условно-генеративной состязательной сети. Различные показатели, такие как нормализованный коэффициент взаимной корреляции и баллы по кости, используются для сравнения методов и результатов различных экспериментов. Статистический анализ также обеспечивается парным t-критерием. В настоящем исследовании рассматриваются плюсы и минусы этих методов и их практическое влияние на многозадачность в различных сценариях реализации. Это исследование показывает, что приложения для коррекции смещения и кросс-модального преобразования значительно проще, чем приложение для сегментации, и многозадачность с сегментацией нецелесообразна, если одно из них определено как основное целевое приложение. Однако, когда основным приложением является сегментация тканей, многозадачность с кроссмодальным преобразованием выгодна, особенно для архитектуры U-net.
4. Объединение данных мультимодальной нейровизуализации с вариационным автоэнкодером (arXiv)
Автор: Элой Джинджаар, Ноа Льюис, Зенинг Фу, Рохан Венкатдас, Сергей Плис, Винс Калхун
Аннотация: нейровизуализационные исследования часто включают сбор нескольких модальностей данных. Эти модальности содержат как общую, так и взаимоисключающую информацию о мозге. Эта работа направлена на поиск масштабируемого и интерпретируемого метода для объединения информации нескольких модальностей нейровизуализации с использованием вариационного автоэнкодера (VAE). Чтобы обеспечить первоначальную оценку, в этой работе оцениваются представления, полученные с помощью задачи классификации шизофрении. Машина опорных векторов, обученная на представлениях, достигает площади под кривой для рабочей характеристики приемника классификатора (ROC-AUC) равной 0,8610.
5. Глубокое обучение в современной нейровизуализации: многовариантный подход с мощным контролем ошибок типа I, но спорной способностью к обобщению (arXiv)
Автор: Кармен Хименес-Меса, Хавьер Рамирес, Джон Саклинг, Джонатан Фёглейн, Йоханнес Левин, Хуан Мануэль Горрис, Инициатива по нейровизуализации болезни Альцгеймера ADNI, Доминантно наследуемая сеть болезни Альцгеймера DIAN
Аннотация: Дискриминационный анализ в нейровизуализации с помощью методов глубокого/машинного обучения обычно проверяется с помощью методов проверки, тогда как связанная с этим статистическая значимость остается в значительной степени недостаточно развитой из-за их вычислительной сложности. В этой работе предлагается непараметрическая структура, которая оценивает статистическую значимость классификаций с использованием архитектур глубокого обучения. В частности, комбинация автоэнкодеров (AE) и машин опорных векторов (SVM) применяется к: (i) одноусловным, внутригрупповым проектам, часто нормальным управлениям (NC) и; (ii) межгрупповые планы с двумя состояниями, которые противопоставляют, например, пациентов с болезнью Альцгеймера (БА) и НК (также включено расширение для многоклассового анализа). Вывод о случайных эффектах, основанный на тесте перестановки меток, предлагается в обоих исследованиях с использованием перекрестной проверки (CV) и повторной замены с коррекцией верхней границы (RUB) в качестве методов проверки. Это позволяет обнаруживать как ложные срабатывания, так и переобучение классификатора, а также оценивать статистическую мощность теста. Было проведено несколько экспериментов с использованием набора данных Инициативы нейровизуализации болезни Альцгеймера (ADNI), набора данных сети доминантно наследуемой болезни Альцгеймера (DIAN) и набора данных прогнозирования MCI. В тесте перестановки мы обнаружили, что методы CV и RUB предлагают уровень ложных срабатываний, близкий к уровню значимости, и приемлемую статистическую мощность (хотя и ниже при перекрестной проверке). Наблюдался большой разрыв между точностью обучения и тестирования с использованием CV, особенно в планах с одним условием. Это подразумевает низкую способность к обобщению, поскольку модель, подогнанная при обучении, неинформативна по отношению к тестовому набору. Мы предлагаем в качестве решения применение RUB, в результате чего получаются результаты, аналогичные результатам набора тестов CV, но с учетом всего набора и с более низкими вычислительными затратами на итерацию.
