論文の概要: Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating
Connectional Brain Templates
- arxiv url: http://arxiv.org/abs/2012.14131v1
- Date: Mon, 28 Dec 2020 08:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 11:03:41.198801
- Title: Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating
Connectional Brain Templates
- Title（参考訳）: Deep Graph Normalizer: 接続型脳テンプレート推定のための幾何学的深層学習手法
- Authors: Mustafa Burak Gurbuz and Islem Rekik
- Abstract要約: 接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。
Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。
DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A connectional brain template (CBT) is a normalized graph-based
representation of a population of brain networks also regarded as an average
connectome. CBTs are powerful tools for creating representative maps of brain
connectivity in typical and atypical populations. Particularly, estimating a
well-centered and representative CBT for populations of multi-view brain
networks (MVBN) is more challenging since these networks sit on complex
manifolds and there is no easy way to fuse different heterogeneous network
views. This problem remains unexplored with the exception of a few recent works
rooted in the assumption that the relationship between connectomes are mostly
linear. However, such an assumption fails to capture complex patterns and
non-linear variation across individuals. Besides, existing methods are simply
composed of sequential MVBN processing blocks without any feedback mechanism,
leading to error accumulation. To address these issues, we propose Deep Graph
Normalizer (DGN), the first geometric deep learning (GDL) architecture for
normalizing a population of MVBNs by integrating them into a single
connectional brain template. Our end-to-end DGN learns how to fuse multi-view
brain networks while capturing non-linear patterns across subjects and
preserving brain graph topological properties by capitalizing on graph
convolutional neural networks. We also introduce a randomized weighted loss
function which also acts as a regularizer to minimize the distance between the
population of MVBNs and the estimated CBT, thereby enforcing its centeredness.
We demonstrate that DGN significantly outperforms existing state-of-the-art
methods on estimating CBTs on both small-scale and large-scale connectomic
datasets in terms of both representativeness and discriminability (i.e.,
identifying distinctive connectivities fingerprinting each brain network
population).
- Abstract（参考訳）: 接続型脳テンプレート(cbt)は、平均的なコネクトームと見なされる脳ネットワーク群を正規化したグラフベース表現である。
CBTは、典型的および非典型的集団における脳接続の代表的なマップを作成するための強力なツールである。
特に、多視点脳ネットワーク(mvbn)の個体群に対する、よく中央集権的で代表的なcbtの推定は、複雑な多様体上にあり、異なる異種ネットワークビューを融合する簡単な方法がないため、より困難である。
この問題は、コネクトーム間の関係が概ね線型であるという仮定に根ざした最近のいくつかの研究を除いては未解明のままである。
しかし、そのような仮定は複雑なパターンや個人間での非線形変動を捉えない。
さらに、既存の手法はフィードバック機構のないシーケンシャルMVBN処理ブロックで構成されており、エラーの蓄積につながる。
これらの問題に対処するため,1つの接続脳テンプレートに統合することでMVBNの集団を正規化するための最初の幾何学的深層学習(GDL)アーキテクチャであるDeep Graph Normalizer (DGN)を提案する。
我々のエンドツーエンドのDGNは、被験者間の非線形パターンを捉え、グラフ畳み込みニューラルネットワークを利用して脳のグラフトポロジ特性を保存しながら、マルチビューの脳ネットワークを融合する方法を学ぶ。
また,MVBNと推定CBT間の距離を最小化するために,正規化器としても機能するランダム化重み付き損失関数を導入する。
我々は,DGNが,各脳ネットワークの個体群に特異的な結合性を識別し,その代表性と識別性の両方の観点から,小規模および大規模接続データセット上でCBTを推定する既存の最先端手法を著しく上回っていることを実証した。
関連論文リスト
- Deep Cross-Modality and Resolution Graph Integration for Universal Brain
Connectivity Mapping and Augmentation [0.0]
コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。
本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。
提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-09-13T14:04:12Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - Comparative Survey of Multigraph Integration Methods for Holistic Brain
Connectivity Mapping [0.0]
我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。
ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T13:34:34Z) - 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) - Recurrent Multigraph Integrator Network for Predicting the Evolution of
Population-Driven Brain Connectivity Templates [0.0]
それぞれのグラフは、関心の対の脳領域(ROI)の間の特定の関係を定量化する。
我々のReMI-Netは、各CBTノードの隠れ状態埋め込みを学習するためにクロスノードメッセージパスを使用して、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されています。
我々は、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
論文 参考訳（メタデータ） (2021-10-06T10:00:05Z) - Redundant representations help generalization in wide neural networks [71.38860635025907]
様々な最先端の畳み込みニューラルネットワークの最後に隠された層表現について検討する。
最後に隠された表現が十分に広ければ、そのニューロンは同一の情報を持つグループに分裂し、統計的に独立したノイズによってのみ異なる傾向にある。
論文 参考訳（メタデータ） (2021-06-07T10:18:54Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Multi-View Brain HyperConnectome AutoEncoder For Brain State
Classification [0.0]
本稿では,近傍のアルゴリズムに基づいて,各脳の視線に対するハイパーコネクトームを構築するための新しい手法を提案する。
また,マルチビュー・ハイパーコネクトーム上で直接動作するハイパーコネクトーム・オートエンコーダ・フレームワークを設計する。
実験の結果,HCAEによる脳内埋め込みが脳状態の分類に有効であることが判明した。
論文 参考訳（メタデータ） (2020-09-24T08:51:44Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。