اکسپرس 24
ترجمه فارسی مقاله MLC-GCN: GCN مبتنی بر کانکتوم تولید شده چند سطحی برای تحلیل AD

ترجمه فارسی مقاله MLC-GCN: GCN مبتنی بر کانکتوم تولید شده چند سطحی برای تحلیل AD

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی MLC-GCN: Multi-Level Generated Connectome Based GCN for AD Analysis
عنوان مقاله به فارسی MLC-GCN: GCN مبتنی بر کانکتوم تولید شده چند سطحی برای تحلیل AD
نویسندگان Wenqi Zhu, Yinghua Fu, Ze Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 6 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 400,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Alzheimer's Disease (AD) is a currently incurable neurodegeneartive disease. Accurately detecting AD, especially in the early stage, represents a high research priority. AD is characterized by progressive cognitive impairments that are related to alterations in brain functional connectivity (FC). Based on this association, many studies have been published over the decades using FC and machine learning to differentiate AD from healthy aging. The most recent development in this detection method highlights the use of graph neural network (GNN) as the brain functionality analysis. In this paper, we proposed a stack of spatio-temporal feature extraction and graph generation based AD classification model using resting state fMRI. The proposed multi-level generated connectome (MLC) based graph convolutional network (GCN) (MLC-GCN) contains a multi-graph generation block and a GCN prediction block. The multi-graph generation block consists of a hierarchy of spatio-temporal feature extraction layers for extracting spatio-temporal rsfMRI features at different depths and building the corresponding connectomes. The GCN prediction block takes the learned multi-level connectomes to build and optimize GCNs at each level and concatenates the learned graphical features as the final predicting features for AD classification. Through independent cohort validations, MLC-GCN shows better performance for differentiating MCI, AD, and normal aging than state-of-art GCN and rsfMRI based AD classifiers. The proposed MLC-GCN also showed high explainability in terms of learning clinically reasonable connectome node and connectivity features from two independent datasets. While we only tested MLC-GCN on AD, the basic rsfMRI-based multi-level learned GCN based outcome prediction strategy is valid for other diseases or clinical outcomes.

چکیده به فارسی (ترجمه ماشینی)

بیماری آلزایمر (AD) یک بیماری عصبی در حال حاضر غیرقابل تحمل است.تشخیص دقیق AD ، به ویژه در مراحل اولیه ، اولویت تحقیق بالایی را نشان می دهد.AD با اختلالات شناختی مترقی که مربوط به تغییرات در اتصال عملکردی مغز (FC) است ، مشخص می شود.بر اساس این انجمن ، مطالعات بسیاری در طی چند دهه با استفاده از FC و یادگیری ماشین برای تمایز AD از پیری سالم منتشر شده است.جدیدترین پیشرفت در این روش تشخیص ، استفاده از شبکه عصبی نمودار (GNN) را به عنوان تجزیه و تحلیل عملکرد مغز برجسته می کند.در این مقاله ، ما یک پشته از استخراج ویژگی های مکانی و مکانی و مدل طبقه بندی مبتنی بر تولید گراف را با استفاده از حالت استراحت FMRI پیشنهاد کردیم.شبکه Connolutional Graph (GCN) (MLC-GCN) تولید چند سطحی تولید شده (MLC) مبتنی بر شبکه (MLC-GCN) حاوی یک بلوک تولید چند گراف و یک بلوک پیش بینی GCN است.بلوک نسل چند گراف شامل یک سلسله مراتب از لایه های استخراج ویژگی های فضایی-زمانی برای استخراج ویژگی های فضایی-زمانی RSFMRI در اعماق مختلف و ساخت اتصالات مربوطه است.بلوک پیش بینی GCN اتصال چند سطح آموخته شده را برای ساخت و بهینه سازی GCN در هر سطح می گیرد و ویژگی های گرافیکی آموخته شده را به عنوان ویژگی های پیش بینی نهایی برای طبقه بندی AD جمع می کند.از طریق اعتبارسنجی گروهی مستقل ، MLC-GCN عملکرد بهتری را برای تمایز MCI ، AD و پیری طبیعی نسبت به طبقه بندی کننده های AD مبتنی بر GCN و RSFMRI نشان می دهد.MLC-GCN پیشنهادی همچنین توضیحات بالایی را از نظر یادگیری گره اتصال بالینی معقول و ویژگی های اتصال از دو مجموعه داده مستقل نشان داد.در حالی که ما فقط MLC-GCN را در AD آزمایش کردیم ، استراتژی پیش بینی نتیجه GCN مبتنی بر GCN مبتنی بر RSFMRI مبتنی بر RSFMRI برای سایر بیماری ها یا نتایج بالینی معتبر است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.