論文の概要: Deep Representation Learning For Multimodal Brain Networks

• arxiv url: http://arxiv.org/abs/2007.09777v1
• Date: Sun, 19 Jul 2020 20:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:35:23.484461
• Title: Deep Representation Learning For Multimodal Brain Networks
• Title（参考訳）: マルチモーダル脳ネットワークのための深部表現学習
• Authors: Wen Zhang, Liang Zhan, Paul Thompson, Yalin Wang
• Abstract要約: 本稿では,マルチモーダル脳ネットワークを融合させるために,エンドツーエンドの深層グラフ表現学習(Deep Multimodal Brain Networks - DMBN)を提案する。 脳構造ネットワークから機能ネットワークへの高階ネットワークマッピングはノード領域で学習される。 実験結果は,提案手法が他の最先端の深層脳ネットワークモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 9.567489601729328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying network science approaches to investigate the functions and anatomy of the human brain is prevalent in modern medical imaging analysis. Due to the complex network topology, for an individual brain, mining a discriminative network representation from the multimodal brain networks is non-trivial. The recent success of deep learning techniques on graph-structured data suggests a new way to model the non-linear cross-modality relationship. However, current deep brain network methods either ignore the intrinsic graph topology or require a network basis shared within a group. To address these challenges, we propose a novel end-to-end deep graph representation learning (Deep Multimodal Brain Networks - DMBN) to fuse multimodal brain networks. Specifically, we decipher the cross-modality relationship through a graph encoding and decoding process. The higher-order network mappings from brain structural networks to functional networks are learned in the node domain. The learned network representation is a set of node features that are informative to induce brain saliency maps in a supervised manner. We test our framework in both synthetic and real image data. The experimental results show the superiority of the proposed method over some other state-of-the-art deep brain network models.
• Abstract（参考訳）: ネットワークサイエンスのアプローチを応用して脳の機能や解剖を研究することは、現代の医用画像解析において一般的である。 複雑なネットワークトポロジーのため、個々の脳にとって、マルチモーダル脳ネットワークから識別的ネットワーク表現をマイニングするのは簡単ではない。 グラフ構造化データにおけるディープラーニング技術の最近の成功は、非線形な相互モダリティ関係をモデル化する新しい方法を示している。 しかし、現在のディープブレインネットワークの手法では、内在的なグラフトポロジーを無視するか、グループ内で共有されるネットワークベースを必要とする。 これらの課題に対処するため、我々は、マルチモーダル脳ネットワークを融合する新しいエンドツーエンドのディープグラフ表現学習(Deep Multimodal Brain Networks - DMBN)を提案する。 具体的には,クロスモダリティ関係をグラフエンコーディングおよび復号化プロセスを通じて解読する。 脳構造ネットワークから機能ネットワークへの高次ネットワークマッピングは、ノードドメインで学習される。 学習されたネットワーク表現は、教師付き方法で脳衛生マップを誘導するための情報となる一連のノード特徴である。 我々は、合成データと実画像データの両方でフレームワークをテストする。 実験結果は,提案手法が他の最先端の深層脳ネットワークモデルよりも優れていることを示す。

関連論文リスト

• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• Brain Decodes Deep Nets [9.302098067235507]
  我々は、脳にマッピングすることで、大きな訓練済み視覚モデルの可視化と解析を行うツールを開発した。 私たちのイノベーションは、画像に反応して脳のfMRI測定を予測する脳エンコーディングの驚くべき利用から生まれます。
  論文  参考訳（メタデータ） (2023-12-03T04:36:04Z)
• Multi-State Brain Network Discovery [37.63826758134553]
  脳ネットワークは、人間の脳のfMRIスキャンからノードと平均信号を見つけることを目的としている。 通常、人間の脳は複数の活動状態を持ち、脳の活動は共同で決定される。
  論文  参考訳（メタデータ） (2023-11-04T17:54:15Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Can the brain use waves to solve planning problems? [62.997667081978825]
  このような課題を解くニューラルネットワークモデルを提案する。 このモデルは、哺乳類の新皮質と海馬に関する幅広い実験的な発見と互換性がある。
  論文  参考訳（メタデータ） (2021-10-11T11:07:05Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)

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。