論文の概要: Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis
- arxiv url: http://arxiv.org/abs/2003.10613v3
- Date: Tue, 29 Jun 2021 03:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:12:47.949792
- Title: Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis
- Title（参考訳）: 静止状態fMRI解析のための時空間グラフ畳み込み法
- Authors: Soham Gadgil, Qingyu Zhao, Adolf Pfefferbaum, Edith V. Sullivan, Ehsan
Adeli, Kilian M. Pohl
- Abstract要約: BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
- 参考スコア（独自算出の注目度）: 11.85489505372321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Blood-Oxygen-Level-Dependent (BOLD) signal of resting-state fMRI
(rs-fMRI) records the temporal dynamics of intrinsic functional networks in the
brain. However, existing deep learning methods applied to rs-fMRI either
neglect the functional dependency between different brain regions in a network
or discard the information in the temporal dynamics of brain activity. To
overcome those shortcomings, we propose to formulate functional connectivity
networks within the context of spatio-temporal graphs. We train a
spatio-temporal graph convolutional network (ST-GCN) on short sub-sequences of
the BOLD time series to model the non-stationary nature of functional
connectivity. Simultaneously, the model learns the importance of graph edges
within ST-GCN to gain insight into the functional connectivities contributing
to the prediction. In analyzing the rs-fMRI of the Human Connectome Project
(HCP, N=1,091) and the National Consortium on Alcohol and Neurodevelopment in
Adolescence (NCANDA, N=773), ST-GCN is significantly more accurate than common
approaches in predicting gender and age based on BOLD signals. Furthermore, the
brain regions and functional connections significantly contributing to the
predictions of our model are important markers according to the neuroscience
literature.
- Abstract（参考訳）: 静止状態fMRI(rs-fMRI)のBOLD信号は、脳内の内因性機能ネットワークの時間的ダイナミクスを記録している。
しかし、r-fMRIに適用された既存のディープラーニング手法は、ネットワーク内の異なる脳領域間の機能的依存を無視したり、脳活動の時間的ダイナミクスで情報を破棄する。
これらの欠点を克服するために,時空間グラフの文脈で機能的接続ネットワークを定式化する。
我々はBOLD時系列の短いサブシーケンスに基づいて時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
同時に、モデルがst-gcn内のグラフエッジの重要性を学習し、予測に寄与する機能的コネクティビティに関する洞察を得る。
HCP(Human Connectome Project)とNational Consortium on Alcohol and Neurodevelopment in Adolescence(NCANDA, N=773)のrs-fMRIの分析において、ST-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
さらに,脳領域と機能的結合がモデル予測に大きく寄与することは,神経科学文献に拠れば重要な指標である。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia
Diagnosis and Lateralization Analysis [8.280225660612862]
この研究はCOBREとUCLAのデータセットで検証され、平均精度は83.62%と89.71%に達した。
興味深いことに、左半球の低次知覚系と高次ネットワーク領域は、SZの右半球よりも深刻な機能障害であることがわかった。
論文 参考訳（メタデータ） (2023-03-31T02:54:01Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Modeling Spatio-Temporal Dynamics in Brain Networks: A Comparison of
Graph Neural Network Architectures [0.5033155053523041]
グラフニューラルネットワーク(GNN)は、新しい構造化グラフ信号の解釈を可能にする。
基板上の局所的な機能的相互作用を学習することにより、GNNベースのアプローチが大規模ネットワーク研究に堅牢に拡張可能であることを示す。
論文 参考訳（メタデータ） (2021-12-08T12:57:13Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-27T23:06:50Z) - A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
論文 参考訳（メタデータ） (2020-10-14T15:01:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。