論文の概要: Adversarial Brain Multiplex Prediction From a Single Network for
High-Order Connectional Gender-Specific Brain Mapping
- arxiv url: http://arxiv.org/abs/2009.11524v1
- Date: Thu, 24 Sep 2020 07:23:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 05:06:56.675688
- Title: Adversarial Brain Multiplex Prediction From a Single Network for
High-Order Connectional Gender-Specific Brain Mapping
- Title（参考訳）: 高次接続性特化脳マッピングのための単一ネットワークからの逆脳多重予測
- Authors: Ahmed Nebli and Islem Rekik
- Abstract要約: 本稿では,性別差を調査するため,ソースネットワークから脳の多重性を予測するための最初の研究を提案する。
大規模なデータセットを用いた実験では、予測多重化が性別分類の精度を大幅に向上させることが示された。
- 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: Brain connectivity networks, derived from magnetic resonance imaging (MRI),
non-invasively quantify the relationship in function, structure, and morphology
between two brain regions of interest (ROIs) and give insights into
gender-related connectional differences. However, to the best of our knowledge,
studies on gender differences in brain connectivity were limited to
investigating pairwise (i.e., low-order) relationship ROIs, overlooking the
complex high-order interconnectedness of the brain as a network. To address
this limitation, brain multiplexes have been introduced to model the
relationship between at least two different brain networks. However, this
inhibits their application to datasets with single brain networks such as
functional networks. To fill this gap, we propose the first work on predicting
brain multiplexes from a source network to investigate gender differences.
Recently, generative adversarial networks (GANs) submerged the field of medical
data synthesis. However, although conventional GANs work well on images, they
cannot handle brain networks due to their non-Euclidean topological structure.
Differently, in this paper, we tap into the nascent field of geometric-GANs
(G-GAN) to design a deep multiplex prediction architecture comprising (i) a
geometric source to target network translator mimicking a U-Net architecture
with skip connections and (ii) a conditional discriminator which classifies
predicted target intra-layers by conditioning on the multiplex source
intra-layers. Such architecture simultaneously learns the latent source network
representation and the deep non-linear mapping from the source to target
multiplex intra-layers. Our experiments on a large dataset demonstrated that
predicted multiplexes significantly boost gender classification accuracy
compared with source networks and identifies both low and high-order
gender-specific multiplex connections.
- Abstract（参考訳）: 磁気共鳴画像(MRI)から導かれる脳接続ネットワークは、興味のある2つの脳領域(ROI)間の機能、構造、形態の関係を非侵襲的に定量化し、性別に関連する関連性の違いについての洞察を与える。
しかし、私たちの知る限りでは、脳の接続性における性差の研究は、ネットワークとしての脳の複雑な高次相互接続性を見越して、ペア(低次)関係ROIの調査に限られていた。
この制限に対処するために、少なくとも2つの異なる脳ネットワーク間の関係をモデル化するために、脳多重が導入された。
しかし、これは機能的ネットワークのような単一の脳ネットワークを持つデータセットへの彼らの応用を阻害する。
このギャップを埋めるために、ソースネットワークから脳の多重化を予測するための最初の研究を提案し、性別差を調査する。
近年,gans(generative adversarial networks)が医療データ合成の分野を沈めている。
しかし、従来のGANは画像上ではうまく機能するが、非ユークリッド位相構造のため、脳ネットワークは扱えない。
そこで,本論文では,gemetry-gans (g-gan) の新たな分野を用いて,深層多重予測アーキテクチャを設計する。
(i)スキップ接続によるu-netアーキテクチャを模倣したネットワークトランスレータを対象とする幾何学的情報源
(ii)マルチプレックス源層をコンディショニングすることにより予測対象層内を分類する条件付き判別器。
このようなアーキテクチャは、潜在元ネットワーク表現と、ソースからターゲットの多重層への深い非線形マッピングを同時に学習する。
大規模なデータセットを用いた実験により、予測多重化はソースネットワークと比較して性別分類精度を著しく向上させ、低次と高次の両方の性別特化多重化接続を同定した。
関連論文リスト
- Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。
本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
論文 参考訳（メタデータ） (2023-11-06T20:58:07Z) - Multi-State Brain Network Discovery [37.63826758134553]
脳ネットワークは、人間の脳のfMRIスキャンからノードと平均信号を見つけることを目的としている。
通常、人間の脳は複数の活動状態を持ち、脳の活動は共同で決定される。
論文 参考訳（メタデータ） (2023-11-04T17:54:15Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、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促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - 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) - Joint Embedding of Structural and Functional Brain Networks with Graph
Neural Networks for Mental Illness Diagnosis [17.48272758284748]
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を解析するためのデファクトモデルとなっている。
我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。
特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
論文 参考訳（メタデータ） (2021-07-07T13:49:57Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - Deep Representation Learning For Multimodal Brain Networks [9.567489601729328]
本稿では,マルチモーダル脳ネットワークを融合させるために,エンドツーエンドの深層グラフ表現学習(Deep Multimodal Brain Networks - DMBN)を提案する。
脳構造ネットワークから機能ネットワークへの高階ネットワークマッピングはノード領域で学習される。
実験結果は,提案手法が他の最先端の深層脳ネットワークモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-07-19T20:32:05Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z)
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。