Fugu-MT 論文翻訳(概要): Topology-Aware Generative Adversarial Network for Joint Prediction of Multiple Brain Graphs from a Single Brain Graph

論文の概要: Topology-Aware Generative Adversarial Network for Joint Prediction of Multiple Brain Graphs from a Single Brain Graph

arxiv url: http://arxiv.org/abs/2009.11058v1
Date: Wed, 23 Sep 2020 11:23:08 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 15:36:57.066468
Title: Topology-Aware Generative Adversarial Network for Joint Prediction of Multiple Brain Graphs from a Single Brain Graph
Title（参考訳）: 単一脳グラフからの複数脳グラフの同時予測のためのトポロジーアウェア生成逆ネットワーク
Authors: Alaa Bessadok, Mohamed Ali Mahjoub and Islem Rekik
Abstract要約: 我々は、単一の脳グラフから複数の脳グラフを予測するMultiGraphGANアーキテクチャを導入する。 i) 1つのグラフから共同で脳グラフを予測するグラフ対向オートエンコーダを設計し、(ii) 符号化したソースグラフをクラスタ化し、クラスタ固有のデコーダを提案することにより、GANのモード崩壊問題を扱う。
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: Several works based on Generative Adversarial Networks (GAN) have been recently proposed to predict a set of medical images from a single modality (e.g, FLAIR MRI from T1 MRI). However, such frameworks are primarily designed to operate on images, limiting their generalizability to non-Euclidean geometric data such as brain graphs. While a growing number of connectomic studies has demonstrated the promise of including brain graphs for diagnosing neurological disorders, no geometric deep learning work was designed for multiple target brain graphs prediction from a source brain graph. Despite the momentum the field of graph generation has gained in the last two years, existing works have two critical drawbacks. First, the bulk of such works aims to learn one model for each target domain to generate from a source domain. Thus, they have a limited scalability in jointly predicting multiple target domains. Second, they merely consider the global topological scale of a graph (i.e., graph connectivity structure) and overlook the local topology at the node scale of a graph (e.g., how central a node is in the graph). To meet these challenges, we introduce MultiGraphGAN architecture, which not only predicts multiple brain graphs from a single brain graph but also preserves the topological structure of each target graph to predict. Its three core contributions lie in: (i) designing a graph adversarial auto-encoder for jointly predicting brain graphs from a single one, (ii) handling the mode collapse problem of GAN by clustering the encoded source graphs and proposing a cluster-specific decoder, (iii) introducing a topological loss to force the reconstruction of topologically sound target brain graphs. Our MultiGraphGAN significantly outperformed its variants thereby showing its great potential in multi-view brain graph generation from a single graph.
Abstract（参考訳）: GAN(Generative Adversarial Networks)に基づくいくつかの研究が、単一のモダリティ(例えば、T1 MRIのFLAIR MRI)から医療画像の集合を予測するために最近提案されている。しかし、そのようなフレームワークは主に画像を操作するよう設計されており、脳グラフのような非ユークリッド幾何学データへの一般化を制限している。神経疾患の診断に脳グラフを含める可能性を示すコネクトミクス研究が増えているが、元脳グラフから複数のターゲット脳グラフを予測するための幾何学的深層学習は設計されていない。過去2年間でグラフ生成の分野での勢いにもかかわらず、既存の研究には2つの重大な欠点がある。まず、そのような作業の大部分は、ソースドメインから生成するターゲットドメイン毎に1つのモデルを学ぶことを目的としています。したがって、複数のターゲットドメインを共同で予測するスケーラビリティは限られている。第二に、グラフの大域的トポロジスケール(すなわちグラフ接続構造)を単に考慮し、グラフのノードスケール(例えばグラフ内のノードがどれだけ中心であるか)で局所的トポロジを見渡すだけである。これらの課題を満たすために,我々は,単一脳グラフから複数の脳グラフを予測するだけでなく,対象グラフの位相構造を保存して予測するマルチグラフアーキテクチャを導入する。主な貢献は3つある。 (i)1つのグラフから脳のグラフを共同で予測するグラフ逆オートエンコーダの設計 (2)符号化したソースグラフをクラスタ化し、クラスタ固有のデコーダを提案することにより、GANのモード崩壊問題を扱う。 (iii) 位相的損失を導入することで、位相的対象脳グラフの再構成を強制する。我々のMultiGraphGANは、その変異を著しく上回り、単一のグラフから多視点脳グラフを生成する大きな可能性を示した。

関連論文リスト

Strongly Topology-preserving GNNs for Brain Graph Super-resolution [5.563171090433323]
脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
論文参考訳（メタデータ） (2024-11-01T03:29:04Z)
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
論文参考訳（メタデータ） (2024-09-30T17:28:38Z)
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)
A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文参考訳（メタデータ） (2023-09-26T10:30:45Z)
Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2021-11-20T22:45:53Z)
Inter-Domain Alignment for Predicting High-Resolution Brain Networks Using Teacher-Student Learning [0.0]
本稿では,脳グラフを超解する知識蒸留ネットワーク(L2S-KDnet)による脳グラフの超解法を提案する。教師ネットワークは、まず、LR脳グラフの埋め込みを学習し、第二に、得られた潜在表現をHR基底真理データ分布に整合させる方法を学ぶグラフエンコーダデコーダである。次に、学生ネットワークは、教師から受け継いだ予測されたHRグラフのトポロジ的構造とともに、整列した脳グラフの知識を学習する。
論文参考訳（メタデータ） (2021-10-06T09:31:44Z)
Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping [1.433758865948252]
そこで本研究では,非同型グラフ(IMANGraphNet)フレームワークのモダリティ間整合性について提案し,対象グラフのモダリティを所定のモダリティに基づいて推定する。私たちの3つのコアコントリビューションは、(i)新しいグラフ生成逆数ネットワーク(gGAN)に基づいて、ソースグラフ(例えば、形態学)からターゲットグラフ(例えば、関数)を予測することである。形態素グラフからの関数予測に関する包括的実験により,IMANGraphNetの変形特性と比較した性能が示された。
論文参考訳（メタデータ） (2021-06-30T08:59:55Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)
Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network [1.6114012813668934]
topoGANアーキテクチャを導入し、単一の脳グラフから複数の脳グラフを共同で予測する。 i) 1つのグラフから複数の脳グラフを予測する新しいグラフ対向オートエンコーダを設計すること、(ii)GANのモード崩壊問題に対処するために符号化されたソースグラフをクラスタリングすること、(iii)トポロジ的損失を導入して、トポロジ的ターゲット脳グラフの予測を強要することである。
論文参考訳（メタデータ） (2021-05-06T10:20:45Z)
Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文参考訳（メタデータ） (2021-01-17T23:14:29Z)
Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。