論文の概要: A Graph Neural Network Framework for Causal Inference in Brain Networks
- arxiv url: http://arxiv.org/abs/2010.07143v1
- Date: Wed, 14 Oct 2020 15:01:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:32:31.832479
- Title: A Graph Neural Network Framework for Causal Inference in Brain Networks
- Title（参考訳）: 脳ネットワークにおける因果推論のためのグラフニューラルネットワークフレームワーク
- Authors: Simon Wein, Wilhelm Malloni, Ana Maria Tom\'e, Sebastian M. Frank,
Gina-Isabelle Henze, Stefan W\"ust, Mark W. Greenlee, Elmar W. Lang
- Abstract要約: 神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
- 参考スコア（独自算出の注目度）: 0.3392372796177108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A central question in neuroscience is how self-organizing dynamic
interactions in the brain emerge on their relatively static structural
backbone. Due to the complexity of spatial and temporal dependencies between
different brain areas, fully comprehending the interplay between structure and
function is still challenging and an area of intense research. In this paper we
present a graph neural network (GNN) framework, to describe functional
interactions based on the structural anatomical layout. A GNN allows us to
process graph-structured spatio-temporal signals, providing a possibility to
combine structural information derived from diffusion tensor imaging (DTI) with
temporal neural activity profiles, like observed in functional magnetic
resonance imaging (fMRI). Moreover, dynamic interactions between different
brain regions learned by this data-driven approach can provide a multi-modal
measure of causal connectivity strength. We assess the proposed model's
accuracy by evaluating its capabilities to replicate empirically observed
neural activation profiles, and compare the performance to those of a vector
auto regression (VAR), like typically used in Granger causality. We show that
GNNs are able to capture long-term dependencies in data and also
computationally scale up to the analysis of large-scale networks. Finally we
confirm that features learned by a GNN can generalize across MRI scanner types
and acquisition protocols, by demonstrating that the performance on small
datasets can be improved by pre-training the GNN on data from an earlier and
different study. We conclude that the proposed multi-modal GNN framework can
provide a novel perspective on the structure-function relationship in the
brain. Therewith this approach can be promising for the characterization of the
information flow in brain networks.
- Abstract（参考訳）: 神経科学における中心的な問題は、脳内の自律的動的相互作用が比較的静的な構造的バックボーンにどのように現れるかである。
異なる脳領域間の空間的および時間的依存関係の複雑さのため、構造と機能の間の相互作用を完全に理解することは依然として困難であり、激しい研究の領域である。
本稿では,構造解剖学的レイアウトに基づく機能的相互作用を記述するためのグラフニューラルネットワーク(GNN)フレームワークを提案する。
gnnは,拡散テンソルイメージング(dti)から得られた構造情報を,機能的磁気共鳴画像(fmri)で観察されるような時間的神経活動プロファイルと組み合わせることが可能なグラフ構造時空間信号の処理を可能にする。
さらに、このデータ駆動アプローチによって学習された異なる脳領域間の動的相互作用は、因果接続強度のマルチモーダル尺度を提供することができる。
実験により得られたニューラルアクティベーションプロファイルを再現する能力を評価することにより,提案モデルの精度を評価するとともに,グランガー因果関係で一般的に用いられるベクトルオートレグレッション(VAR)の性能と比較する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析まで計算的にスケールアップ可能であることを示す。
最後に、gnnが学習した機能は、mriスキャナタイプと取得プロトコルをまたいで一般化可能であることを確認し、小規模データセットでのgnnのパフォーマンスは、以前の研究と異なる研究からのデータに事前トレーニングすることで改善できることを示した。
提案したマルチモーダルGNNフレームワークは,脳の構造-機能関係の新たな視点を提供することができる。
このアプローチは、脳ネットワークにおける情報フローのキャラクタリゼーションに有望である。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - JGAT: a joint spatio-temporal graph attention model for brain decoding [8.844033583141039]
Joint kernel Graph Attention Network (JGAT)は、新しいマルチモーダル時間グラフアテンションネットワークフレームワークである。
ダイナミックな情報を保存しながら、機能的磁気共鳴画像(fMRI)と拡散重み画像(DWI)からのデータを統合する。
我々は4つの独立したデータセット上でJGATでブレインデコーディングタスクを行います。
論文 参考訳（メタデータ） (2023-06-03T02:45:03Z) - 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) - 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) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - 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) - Modeling Spatio-Temporal Dynamics in Brain Networks: A Comparison of
Graph Neural Network Architectures [0.5033155053523041]
グラフニューラルネットワーク(GNN)は、新しい構造化グラフ信号の解釈を可能にする。
基板上の局所的な機能的相互作用を学習することにより、GNNベースのアプローチが大規模ネットワーク研究に堅牢に拡張可能であることを示す。
論文 参考訳（メタデータ） (2021-12-08T12:57:13Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-27T23:06:50Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。