論文の概要: Multi-Scale Profiling of Brain Multigraphs by Eigen-based
Cross-Diffusion and Heat Tracing for Brain State Profiling
- arxiv url: http://arxiv.org/abs/2009.11534v1
- Date: Thu, 24 Sep 2020 07:51:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-15 04:58:28.206294
- Title: Multi-Scale Profiling of Brain Multigraphs by Eigen-based
Cross-Diffusion and Heat Tracing for Brain State Profiling
- Title（参考訳）: Eigen-based Cross-Diffusion and Heat Tracing for Brain State Profiling による脳マルチグラフのマルチスケールプロファイリング
- Authors: Mustafa Saglam and Islem Rekik
- Abstract要約: 本稿では,マルチグラフ脳積分,比較,プロファイリングのための固有値を用いた相互拡散戦略を提案する。
我々はまず、固有ベクトル中心性によって導かれる脳のマルチグラフ融合モデルを考案し、ほとんどの中心ノードに依存する。
それらのラプラシア行列のコンパクトな熱-トレースシグネチャを抽出することにより, 拡散時間スケールで融合多重グラフをプロファイリングする。
- 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: The individual brain can be viewed as a highly-complex multigraph (i.e. a set
of graphs also called connectomes), where each graph represents a unique
connectional view of pairwise brain region (node) relationships such as
function or morphology. Due to its multifold complexity, understanding how
brain disorders alter not only a single view of the brain graph, but its
multigraph representation at the individual and population scales, remains one
of the most challenging obstacles to profiling brain connectivity for
ultimately disentangling a wide spectrum of brain states (e.g., healthy vs.
disordered). In this work, while cross-pollinating the fields of spectral graph
theory and diffusion models, we unprecedentedly propose an eigen-based
cross-diffusion strategy for multigraph brain integration, comparison, and
profiling. Specifically, we first devise a brain multigraph fusion model guided
by eigenvector centrality to rely on most central nodes in the cross-diffusion
process. Next, since the graph spectrum encodes its shape (or geometry) as if
one can hear the shape of the graph, for the first time, we profile the fused
multigraphs at several diffusion timescales by extracting the compact
heat-trace signatures of their corresponding Laplacian matrices. Here, we
reveal for the first time autistic and healthy profiles of morphological brain
multigraphs, derived from T1-w magnetic resonance imaging (MRI), and
demonstrate their discriminability in boosting the classification of unseen
samples in comparison with state-of-the-art methods. This study presents the
first step towards hearing the shape of the brain multigraph that can be
leveraged for profiling and disentangling comorbid neurological disorders,
thereby advancing precision medicine.
- Abstract（参考訳）: 個々の脳は高度に複雑な多重グラフ(つまりコネクトームと呼ばれるグラフの集合)と見なすことができ、各グラフは機能や形態のような一対の脳領域(node)関係のユニークな接続ビューを表す。
脳障害が脳グラフの単一のビューだけでなく、個人や人口規模でのマルチグラフ表現をどのように変化させるかを理解することは、脳との接続をプロファイリングする上で最も困難な障害の1つであり、最終的には脳の幅広い状態(例えば、健康状態と障害状態)を遠ざけてしまう。
本研究では,スペクトルグラフ理論と拡散モデルの分野をクロスポーリングしながら,マルチグラフ脳積分,比較,プロファイリングのための固有拡散戦略を前例なく提案する。
具体的には, 固有ベクトル中心性に導かれた脳のマルチグラフ融合モデルを, クロスディフフュージョン過程のほとんどの中心ノードに依存するように考案した。
次に、グラフスペクトルはその形状(あるいは幾何学)をグラフの形状を聴くことができるように符号化するので、初めて融合した多重グラフを複数の拡散時間スケールでプロファイルし、対応するラプラシア行列のコンパクトな熱トレースシグネチャを抽出する。
本稿では,t1-w磁気共鳴画像(mri)から得られた形態的脳マルチグラフの自閉症および健康的プロファイルを初めて明らかにし,未発見標本の分類を最先端の手法と比較し,その識別性を示す。
本研究は,複合神経疾患のプロファイリングや解像に応用できる脳のマルチグラフの形状を聴くための第一歩として,精密な医学の進歩について述べる。
関連論文リスト
- BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。
本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文 参考訳（メタデータ） (2024-12-23T09:13:35Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - 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) - BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data
Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。
BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。
我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文 参考訳（メタデータ） (2022-08-05T07:54:10Z) - 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) - A Heterogeneous Graph Based Framework for Multimodal Neuroimaging Fusion
Learning [6.23207187065507]
マルチモーダル・フュージョン・ラーニング(HGM)のための異種グラフニューラルネットワークを提案する。
従来のGNNベースのモデルは、通常、脳ネットワークは単一タイプのノードとエッジを持つ均質なグラフであると仮定する。
本研究の結果は, 疾患予測タスクにおける他のマルチモーダル手法よりも, 提案モデルの方が優れていることを示す。
論文 参考訳（メタデータ） (2021-10-16T04:15:33Z) - 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) - Multilayer Clustered Graph Learning [66.94201299553336]
我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。
実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。
クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
論文 参考訳（メタデータ） (2020-10-29T09:58:02Z) - 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) - Topology-Aware Generative Adversarial Network for Joint Prediction of
Multiple Brain Graphs from a Single Brain Graph [1.2891210250935146]
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。
論文 参考訳（メタデータ） (2020-09-23T11:23:08Z)
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。