論文の概要: Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial Network Normalizer

• arxiv url: http://arxiv.org/abs/2009.11166v1
• Date: Wed, 23 Sep 2020 14:25:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 16:37:00.934737
• Title: Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial Network Normalizer
• Title（参考訳）: Deep Adversarial Network Normalizer を用いた時間内脳グラフの進化予測
• Authors: Zeynep Gurler, Ahmed Nebli and Islem Rekik
• Abstract要約: 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。
• 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: Foreseeing the brain evolution as a complex highly inter-connected system, widely modeled as a graph, is crucial for mapping dynamic interactions between different anatomical regions of interest (ROIs) in health and disease. Interestingly, brain graph evolution models remain almost absent in the literature. Here we design an adversarial brain network normalizer for representing each brain network as a transformation of a fixed centered population-driven connectional template. Such graph normalization with respect to a fixed reference paves the way for reliably identifying the most similar training samples (i.e., brain graphs) to the testing sample at baseline timepoint. The testing evolution trajectory will be then spanned by the selected training graphs and their corresponding evolution trajectories. We base our prediction framework on geometric deep learning which naturally operates on graphs and nicely preserves their topological properties. Specifically, we propose the first graph-based Generative Adversarial Network (gGAN) that not only learns how to normalize brain graphs with respect to a fixed connectional brain template (CBT) (i.e., a brain template that selectively captures the most common features across a brain population) but also learns a high-order representation of the brain graphs also called embeddings. We use these embeddings to compute the similarity between training and testing subjects which allows us to pick the closest training subjects at baseline timepoint to predict the evolution of the testing brain graph over time. A series of benchmarks against several comparison methods showed that our proposed method achieved the lowest brain disease evolution prediction error using a single baseline timepoint. Our gGAN code is available at http://github.com/basiralab/gGAN.
• Abstract（参考訳）: グラフとして広くモデル化された脳の進化は、健康と病気における様々な解剖学的関心領域(ROI)間の動的相互作用のマッピングに不可欠である。 興味深いことに、脳グラフの進化モデルはほとんど文献に残っていない。 本稿では,各脳ネットワークを表す対向型脳ネットワーク正規化器を,固定集中型集団駆動型接続テンプレートの変換として設計する。 固定参照に対するそのようなグラフ正規化は、ベースラインタイムポイントでテストサンプルと最も類似したトレーニングサンプル(すなわち脳グラフ)を確実に識別する方法を舗装する。 テストの進化軌道は、選択されたトレーニンググラフとその対応する進化軌跡にまたがる。 我々は,グラフ上で自然に動作し,そのトポロジ的特性を良好に保存する幾何学的深層学習を基盤とする。 具体的には,固定された結合型脳テンプレート(cbt)に対して,脳グラフの正規化方法を学習するだけでなく,埋め込みと呼ばれる脳グラフの高次表現を学習する最初のグラフベース生成逆ネットワーク(ggan)を提案する。 これらの埋め込みを用いて、トレーニングとテスト対象の類似性を計算することで、ベースラインタイムポイントで最も近いトレーニング対象を選択し、時間とともにテスト脳グラフの進化を予測することができます。 複数の比較方法に対する一連のベンチマークの結果,提案手法が1つのベースラインタイムポイントを用いて,脳疾患発生予測誤差の最小値を得た。 gGANコードはhttp://github.com/basiralab/gGAN.comで公開しています。

関連論文リスト

• 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)
• 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)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory [0.0]
  脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。 最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。 本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
  論文  参考訳（メタデータ） (2021-10-06T09:25:55Z)
• 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)
• 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)
• Node-Centric Graph Learning from Data for Brain State Identification [12.300937744235242]
  本稿では,グラフ上での表現学習に基づくグラフ学習手法を提案する。 頭蓋内脳波(iEEG)信号の広範囲なデータセットから,脳波の経時変化を10例から推定した。 このアプローチは、広く使われている2つの脳ネットワークモデリング手法と比較して平均9.13パーセント改善する。
  論文  参考訳（メタデータ） (2020-11-04T08:44:44Z)
• Deep Hypergraph U-Net for Brain Graph Embedding and Classification [0.0]
  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。
  論文  参考訳（メタデータ） (2020-08-30T08:15:18Z)

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。