論文の概要: Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis
- arxiv url: http://arxiv.org/abs/2007.14589v1
- Date: Wed, 29 Jul 2020 04:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 19:24:52.297403
- Title: Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis
- Title（参考訳）: fmriバイオマーカー解析のためのプール正規化グラフニューラルネットワーク
- Authors: Xiaoxiao Li, Yuan Zhou, Nicha C. Dvornek, Muhan Zhang, Juntang Zhuang,
Pamela Ventola, and James S Duncan
- Abstract要約: 健全な領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用することである。
本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。
本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
- 参考スコア（独自算出の注目度）: 29.489129970039873
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding how certain brain regions relate to a specific neurological
disorder has been an important area of neuroimaging research. A promising
approach to identify the salient regions is using Graph Neural Networks (GNNs),
which can be used to analyze graph structured data, e.g. brain networks
constructed by functional magnetic resonance imaging (fMRI). We propose an
interpretable GNN framework with a novel salient region selection mechanism to
determine neurological brain biomarkers associated with disorders.
Specifically, we design novel regularized pooling layers that highlight salient
regions of interests (ROIs) so that we can infer which ROIs are important to
identify a certain disease based on the node pooling scores calculated by the
pooling layers. Our proposed framework, Pooling Regularized-GNN (PR-GNN),
encourages reasonable ROI-selection and provides flexibility to preserve either
individual- or group-level patterns. We apply the PR-GNN framework on a
Biopoint Autism Spectral Disorder (ASD) fMRI dataset. We investigate different
choices of the hyperparameters and show that PR-GNN outperforms baseline
methods in terms of classification accuracy. The salient ROI detection results
show high correspondence with the previous neuroimaging-derived biomarkers for
ASD.
- Abstract（参考訳）: 特定の脳領域が特定の神経疾患と関連しているかを理解することは、神経画像研究の重要な領域である。
正常領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用して、機能的磁気共鳴イメージング(fMRI)によって構築された脳ネットワークなどのグラフ構造化データを解析することができる。
本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。
具体的には,有意な利害領域(ROI)を強調した新たな正規化プール層を設計し,プール層によって計算されたノードプーリングスコアに基づいて,どのROIが重要かを推測する。
提案するフレームワークであるPooling Regularized-GNN (PR-GNN)は、適切なROI選択を促進し、個別またはグループレベルのパターンを維持する柔軟性を提供する。
本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
ハイパーパラメータの異なる選択を調査し,pr-gnnが分類精度でベースライン法を上回っていることを示す。
サルエントroi検出の結果,前回のasd用神経画像由来バイオマーカーと高い相関を示した。
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) - Discovering robust biomarkers of neurological disorders from functional MRI using graph neural networks: A Review [4.799269666410891]
本稿では、障害予測タスクのためのfMRIデータセットに対して、GNNとモデル説明可能性技術がどのように適用されてきたかを概説する。
その結果、ほとんどの研究にはパフォーマンスモデルがあるが、これらの研究で強調された健全な特徴は、同じ障害の研究によって大きく異なることが判明した。
これらのバイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
論文 参考訳（メタデータ） (2024-05-01T15:29:55Z) - Contrastive Graph Pooling for Explainable Classification of Brain Networks [9.917580917431293]
機能的磁気共鳴イメージング(fMRI)は、神経活動を測定するために一般的に用いられる技術である。
グラフとしてのfMRIデータの解析とグラフニューラルネットワーク(GNN)による特徴抽出
我々は、fMRI特有の要件を満たす脳ネットワークにおいて、GNNをよりよく活用するためのContrastPoolを提案する。
論文 参考訳（メタデータ） (2023-07-07T11:49:55Z) - 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) - Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with
Graph Neural Networks [28.460737693330245]
我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。
TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。
2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
論文 参考訳（メタデータ） (2022-11-01T03:59:54Z) - 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) - Feature-selected Graph Spatial Attention Network for Addictive
Brain-Networks Identification [4.224312918460521]
fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。
本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:50:54Z) - 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) - Predicting isocitrate dehydrogenase mutationstatus in glioma using
structural brain networksand graph neural networks [6.67232502899311]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に重要な価値をもたらす。
機械学習とディープラーニングモデルは、IDH変異状態を予測する上で適切なパフォーマンスを示す。
本稿では,患者の脳の構造的ネットワークに基づくグラフニューラルネットワーク(GNN)を用いたIDH変異の予測手法を提案する。
論文 参考訳（メタデータ） (2021-09-04T12:19:33Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳（メタデータ） (2020-07-05T08:16:03Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。