Fugu-MT 論文翻訳(概要): Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation

論文の概要: Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation

arxiv url: http://arxiv.org/abs/2009.11054v1
Date: Wed, 23 Sep 2020 11:17:41 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 15:37:29.435252
Title: Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation
Title（参考訳）: 人口駆動型脳ネットワークアトラス推定のための教師付きマルチトポロジーネットワーククロスディフフュージョン
Authors: Islem Mhiri, Mohamed Ali Mahjoub and Islem Rekik
Abstract要約: 代表的で差別的な脳ネットワークアトラス(BNA)を推定することは、初期の研究分野である。 BNA満足度を推定するための教師付きマルチトポロジーネットワーククロスディフュージョンフレームワークを提案する。我々のSM-netFusionは、その変種や最先端手法と比較して最も中心的で代表的なテンプレートを生成する。
参考スコア（独自算出の注目度）: 1.2891210250935146
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Estimating a representative and discriminative brain network atlas (BNA) is a nascent research field in mapping a population of brain networks in health and disease. Although limited, existing BNA estimation methods have several limitations. First, they primarily rely on a similarity network diffusion and fusion technique, which only considers node degree as a topological measure in the cross-network diffusion process, thereby overlooking rich topological measures of the brain network (e.g., centrality). Second, both diffusion and fusion techniques are implemented in fully unsupervised manner, which might decrease the discriminative power of the estimated BNAs. To fill these gaps, we propose a supervised multi-topology network cross-diffusion (SM-netFusion) framework for estimating a BNA satisfying : (i) well-representativeness (captures shared traits across subjects), (ii) well-centeredness (optimally close to all subjects), and (iii) high discriminativeness (can easily and efficiently identify discriminative brain connections that distinguish between two populations). For a specific class, given the cluster labels of the training data, we learn a weighted combination of the topological diffusion kernels derived from degree, closeness and eigenvector centrality measures in a supervised manner. Specifically, we learn the cross-diffusion process by normalizing the training brain networks using the learned diffusion kernels. Our SM-netFusion produces the most centered and representative template in comparison with its variants and state-of-the-art methods and further boosted the classification of autistic subjects by 5-15%. SM-netFusion presents the first work for supervised network cross-diffusion based on graph topological measures, which can be further leveraged to design an efficient graph feature selection method for training predictive learners in network neuroscience.
Abstract（参考訳）: 代表的で差別的な脳ネットワークアトラス(BNA)を推定することは、健康と病気の脳ネットワークの人口をマッピングする分野である。制限はあるものの、既存のBNA推定法にはいくつかの制限がある。まず、ノード次数をクロスネットワーク拡散過程におけるトポロジカル測度としてのみ考慮し、それによって脳ネットワーク(例えば集中性)の豊かなトポロジカル測度を見渡す、類似性ネットワーク拡散・融合技術に主に依存する。第二に、拡散法と融合法が完全に教師なしの方法で実装され、推定されたBNAの識別能力が低下する可能性がある。これらのギャップを埋めるために、BNA満足度を推定するための教師付きマルチトポロジーネットワーククロスディフュージョン(SM-netFusion)フレームワークを提案する。 (i)表現性(被写体間の共通特性の獲得) (ii)良好な中心性(任意にすべての被写体に近い)、及び (3)高い差別性(2つの集団を区別する識別的脳関係を容易かつ効率的に識別することができる) 訓練データのクラスターラベルを与えられた特定のクラスに対して、次数、近接性、固有ベクトル中心性測度から導出される位相拡散核の重み付け結合を教師あり方法で学習する。具体的には,学習した拡散核を用いて脳ネットワークの訓練を正規化し,相互拡散過程を学習する。 sm-netfusionは,その変種や最先端手法と比較して,最も中心的かつ代表的なテンプレートを生成し,自閉症者の分類をさらに5～15%向上させた。 SM-netFusionは、グラフトポロジカル測度に基づく教師付きネットワーククロスディフュージョンの最初の研究であり、ネットワーク神経科学における予測学習者の学習のための効率的なグラフ特徴選択法の設計にさらに活用することができる。

関連論文リスト

A novel adversarial learning strategy for medical image classification [9.253330143870427]
補助畳み込みニューラルネットワーク(AuxCNN)は、中間層のトレーニングを容易にするために、従来の分類ネットワーク上に採用されている。本研究では,医用画像分類のための深層ニューラルネットワークのトレーニングを支援するための,対角学習に基づくAuxCNNを提案する。
論文参考訳（メタデータ） (2022-06-23T06:57:17Z)
Comparative Survey of Multigraph Integration Methods for Holistic Brain Connectivity Mapping [0.0]
我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
論文参考訳（メタデータ） (2022-04-05T13:34:34Z)
Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文参考訳（メタデータ） (2021-12-15T09:50:25Z)
Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文参考訳（メタデータ） (2021-06-03T00:02:05Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
Diffusion Mechanism in Residual Neural Network: Theory and Applications [12.573746641284849]
限られたトレーニングサンプルを持つ多くの学習タスクでは、拡散はラベル付きおよびラベルなしのデータポイントを接続する。本稿では,ニューラルネットワークのアーキテクチャへの拡散を内部的に導入する新しい拡散残差ネットワーク(Diff-ResNet)を提案する。構造的データ仮定により,提案した拡散ブロックは,クラス間点の分離性を向上させる距離-距離比を増大させることができることが証明された。
論文参考訳（メタデータ） (2021-05-07T10:42:59Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
論文参考訳（メタデータ） (2020-08-11T02:40:53Z)
Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文参考訳（メタデータ） (2020-06-16T18:45:20Z)
A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文参考訳（メタデータ） (2020-06-08T02:39:59Z)
Stochastic encoding of graphs in deep learning allows for complex analysis of gender classification in resting-state and task functional brain networks from the UK Biobank [0.13706331473063876]
我々は,機能的コネクトームを性別別に分類するために,CNNのアンサンブルに符号化手法を導入する。課題と休息状態に関わる3つの脳ネットワークとその相互作用の塩分濃度を測定した。
論文参考訳（メタデータ） (2020-02-25T15:10:51Z)

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。