論文の概要: Deep Hypergraph U-Net for Brain Graph Embedding and Classification
- arxiv url: http://arxiv.org/abs/2008.13118v1
- Date: Sun, 30 Aug 2020 08:15:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 12:20:08.957599
- Title: Deep Hypergraph U-Net for Brain Graph Embedding and Classification
- Title（参考訳）: 脳グラフ埋め込みと分類のためのディープハイパーグラフU-Net
- Authors: Mert Lostar and Islem Rekik
- Abstract要約: ネットワーク神経科学は、ネットワーク(またはコネクトーム)で表されるシステムとして脳を調べる
データサンプルの低次元埋め込みを学習するためにハイパーグラフ構造を利用した新しいデータ埋め込みフレームワークHypergraph U-Netを提案する。
自閉症および認知症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクトームデータセットについて検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: -Background. Network neuroscience examines the brain as a complex system
represented by a network (or connectome), providing deeper insights into the
brain morphology and function, allowing the identification of atypical brain
connectivity alterations, which can be used as diagnostic markers of
neurological disorders. -Existing Methods. Graph embedding methods which map
data samples (e.g., brain networks) into a low dimensional space have been
widely used to explore the relationship between samples for classification or
prediction tasks. However, the majority of these works are based on modeling
the pair-wise relationships between samples, failing to capture their
higher-order relationships. -New Method. In this paper, inspired by the nascent
field of geometric deep learning, we propose Hypergraph U-Net (HUNet), a novel
data embedding framework leveraging the hypergraph structure to learn
low-dimensional embeddings of data samples while capturing their high-order
relationships. Specifically, we generalize the U-Net architecture, naturally
operating on graphs, to hypergraphs by improving local feature aggregation and
preserving the high-order relationships present in the data. -Results. We
tested our method on small-scale and large-scale heterogeneous brain
connectomic datasets including morphological and functional brain networks of
autistic and demented patients, respectively. -Conclusion. Our HUNet
outperformed state-of-the-art geometric graph and hypergraph data embedding
techniques with a gain of 4-14% in classification accuracy, demonstrating both
scalability and generalizability. HUNet code is available at
https://github.com/basiralab/HUNet.
- Abstract（参考訳）: -バックグラウンド。
ネットワーク神経科学は、脳をネットワーク(またはコネクトーム)で表される複雑なシステムとして調べ、脳の形態や機能について深い洞察を与え、神経疾患の診断マーカーとして使用できる非定型的な脳接続変化の同定を可能にする。
-既存の方法。
データのサンプル(例えば脳ネットワーク)を低次元空間にマッピングするグラフ埋め込み法は、分類や予測タスクのサンプル間の関係を探索するために広く用いられている。
しかしながら、これらの研究の大部分は、サンプル間のペアワイズ関係のモデリングに基づいており、高次関係の取得に失敗している。
-新しい方法。
本稿では,幾何学的深層学習の新たな分野であるハイパーグラフU-Net(HUNet)を提案する。これはハイパーグラフ構造を利用して高次関係を捉えながら,データサンプルの低次元埋め込みを学習する新しいデータ埋め込みフレームワークである。
具体的には、グラフ上で自然に動作するu-netアーキテクチャをハイパーグラフに一般化し、局所的な特徴集約を改善し、データに存在する高次関係を保存する。
-結果。
自閉症患者の形態的・機能的脳ネットワークを含む,小規模・大規模異種脳コネクストミクスデータセットを用いた実験を行った。
-結論。
我々のHUNetは4-14%の精度で最先端の幾何グラフとハイパーグラフデータ埋め込み技術に優れ、スケーラビリティと一般化性の両方を実証した。
HUNetコードはhttps://github.com/basiralab/HUNetで入手できる。
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) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [10.294767093317404]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。
行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文 参考訳（メタデータ） (2023-06-09T19:10:16Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - 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) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning
and Neuroscience (VesselGraph) [3.846749674808336]
本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。
我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。
我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
論文 参考訳（メタデータ） (2021-08-30T13:40:48Z) - Multi-View Brain HyperConnectome AutoEncoder For Brain State
Classification [0.0]
本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。
また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。
実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
論文 参考訳（メタデータ） (2020-09-24T08:51:44Z) - Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial
Network Normalizer [0.0]
我々は,脳グラフの正規化を学習する最初のグラフベース生成適応ネットワーク(gGAN)を提案する。
提案手法は, 単一の基準点を用いた脳疾患進展予測誤差の最小化に成功した。
論文 参考訳（メタデータ） (2020-09-23T14:25:40Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳（メタデータ） (2020-07-13T17:59:31Z)
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。