論文の概要: Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction
- arxiv url: http://arxiv.org/abs/2101.08316v1
- Date: Wed, 20 Jan 2021 20:53:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:20:44.171659
- Title: Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction
- Title（参考訳）: エンサンブル多様体に基づく認知能力予測のための正規化マルチモーダルグラフ畳み込みネットワーク
- Authors: Gang Qu, Li Xiao, Wenxing Hu, Kun Zhang, Vince D. Calhoun, Yu-Ping
Wang
- Abstract要約: マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
- 参考スコア（独自算出の注目度）: 33.03449099154264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Multi-modal functional magnetic resonance imaging (fMRI) can be
used to make predictions about individual behavioral and cognitive traits based
on brain connectivity networks. Methods: To take advantage of complementary
information from multi-modal fMRI, we propose an interpretable multi-modal
graph convolutional network (MGCN) model, incorporating the fMRI time series
and the functional connectivity (FC) between each pair of brain regions.
Specifically, our model learns a graph embedding from individual brain networks
derived from multi-modal data. A manifold-based regularization term is then
enforced to consider the relationships of subjects both within and between
modalities. Furthermore, we propose the gradient-weighted regression activation
mapping (Grad-RAM) and the edge mask learning to interpret the model, which is
used to identify significant cognition-related biomarkers. Results: We validate
our MGCN model on the Philadelphia Neurodevelopmental Cohort to predict
individual wide range achievement test (WRAT) score. Our model obtains superior
predictive performance over GCN with a single modality and other competing
approaches. The identified biomarkers are cross-validated from different
approaches. Conclusion and Significance: This paper develops a new
interpretable graph deep learning framework for cognitive ability prediction,
with the potential to overcome the limitations of several current data-fusion
models. The results demonstrate the power of MGCN in analyzing multi-modal fMRI
and discovering significant biomarkers for human brain studies.
- Abstract（参考訳）: 目的: マルチモーダル機能的磁気共鳴イメージング(fMRI)は、脳の接続ネットワークに基づいて、個人の行動特性や認知特性を予測するために用いられる。
方法: 多モードfMRIの相補的情報を活用するため,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
具体的には,マルチモーダルデータから得られた個々の脳ネットワークからグラフ埋め込みを学習する。
多様体に基づく正規化項は、モダリティ内およびモダリティ間の対象の関係を考えるために強制される。
さらに,認知関連バイオマーカーを同定するために,勾配重み付き回帰アクティベーションマッピング (Grad-RAM) とエッジマスク学習 (エッジマスク学習) を提案する。
結果: フィラデルフィア神経発達コホートにおけるmgcnモデルの有効性を検証し, 個人の広域達成テスト(wrat)スコアを予測した。
このモデルは単一のモダリティと他の競合するアプローチでgcnよりも優れた予測性能を得る。
同定されたバイオマーカーは異なるアプローチから相互に検証される。
結論と意義:本稿は認知能力予測のための新しい解釈可能なグラフ深層学習フレームワークを開発した。
この結果は、マルチモーダルfMRIの解析と、ヒト脳研究における重要なバイオマーカー発見におけるMGCNの力を示すものである。
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) - Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's
Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。
本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。
次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2023-07-31T02:04:05Z) - MaxCorrMGNN: A Multi-Graph Neural Network Framework for Generalized
Multimodal Fusion of Medical Data for Outcome Prediction [3.2889220522843625]
我々はMaxCorr MGNNと呼ばれる革新的な融合手法を開発し、患者内および患者間の非線形モダリティ相関をモデル化する。
次に,多層グラフにおけるタスクインフォームド推論のための汎用多層グラフニューラルネットワーク(MGNN)を初めて設計する。
我々は,本モデルを結核データセットにおける結果予測タスクとして評価し,最先端のニューラルネットワーク,グラフベース,従来の融合技術より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-07-13T23:52:41Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - Multi-modal Dynamic Graph Network: Coupling Structural and Functional
Connectome for Disease Diagnosis and Classification [8.67028273829113]
構造的および機能的脳ネットワーク学習のためのマルチモーダル動的グラフ畳み込みネットワーク(MDGCN)を提案する。
本手法は,モーダル間表現のモデル化と動的グラフへの注意的多モデル関連付けの利点を生かした。
論文 参考訳（メタデータ） (2022-10-25T02:41:32Z) - 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) - Self-supervised multimodal neuroimaging yields predictive
representations for a spectrum of Alzheimer's phenotypes [27.331511924585023]
この研究は、マルチモーダル・ニューロイメージングデータから複数の表現を学習するための、新しいマルチスケール協調フレームワークを提案する。
本稿では,情報誘導バイアスの一般的な分類法を提案する。
自己教師型モデルでは,事前トレーニング中にラベルにアクセスすることなく,障害関連脳領域とマルチモーダルリンクを明らかにする。
論文 参考訳（メタデータ） (2022-09-07T01:37:19Z) - 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) - Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。
焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。
本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
論文 参考訳（メタデータ） (2022-03-21T10:20:04Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。