Fugu-MT 論文翻訳(概要): Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network

論文の概要: Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network

arxiv url: http://arxiv.org/abs/2105.02565v1
Date: Thu, 6 May 2021 10:20:45 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 13:20:27.056344
Title: Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network
Title（参考訳）: トポロジ対応逆グラフニューラルネットワークを用いた脳波の予測
Authors: Alaa Bessadok and Mohamed Ali Mahjoub and Islem Rekik
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.6114012813668934
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Brain graphs (i.e, connectomes) constructed from medical scans such as magnetic resonance imaging (MRI) have become increasingly important tools to characterize the abnormal changes in the human brain. Due to the high acquisition cost and processing time of multimodal MRI, existing deep learning frameworks based on Generative Adversarial Network (GAN) focused on predicting the missing multimodal medical images from a few existing modalities. While brain graphs help better understand how a particular disorder can change the connectional facets of the brain, synthesizing a target brain multigraph (i.e, multiple brain graphs) from a single source brain graph is strikingly lacking. Additionally, existing graph generation works mainly learn one model for each target domain which limits their scalability in jointly predicting multiple target domains. Besides, while they consider the global topological scale of a graph (i.e., graph connectivity structure), they overlook the local topology at the node scale (e.g., how central a node is in the graph). To address these limitations, we introduce topology-aware graph GAN architecture (topoGAN), which jointly predicts multiple brain graphs from a single brain graph while preserving the topological structure of each target graph. Its three key innovations are: (i) designing a novel graph adversarial auto-encoder for predicting multiple brain graphs from a single one, (ii) clustering the encoded source graphs in order to handle the mode collapse issue of GAN and proposing a cluster-specific decoder, (iii) introducing a topological loss to force the prediction of topologically sound target brain graphs. The experimental results using five target domains demonstrated the outperformance of our method in brain multigraph prediction from a single graph in comparison with baseline approaches.
Abstract（参考訳）: 磁気共鳴画像(MRI)のような医療スキャンから構築された脳のグラフ(コネクトーム)は、人間の脳の異常な変化を特徴づける重要なツールになりつつある。マルチモーダルMRIの取得コストと処理時間が高いため、GAN(Generative Adversarial Network)に基づく既存のディープラーニングフレームワークは、既存のいくつかのモダリティから欠落したマルチモーダル医療画像を予測することに重点を置いている。脳のグラフは、特定の障害が脳の接続面をどのように変えるかを理解するのに役立つが、ターゲットの脳のマルチグラフ(つまり、複数の脳のグラフ)を単一のソースの脳のグラフから合成することは、著しく不足している。さらに、既存のグラフ生成は、ターゲットドメインごとに1つのモデルを学び、複数のターゲットドメインを共同で予測するスケーラビリティを制限する。さらに、グラフのグローバルトポロジースケール(グラフ接続構造)を考える一方で、ノードスケールの局所トポロジー(例えば、ノードがグラフにどれだけ中央にあるか)を見落とします。これらの制約に対処するために,各対象グラフのトポロジ構造を維持しつつ,単一の脳グラフから複数の脳グラフを共同で予測するtopogan(topological-aware graph gan architecture)を導入する。 i) 単一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し、(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化し、クラスタ固有のデコーダを提案し、(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制する。 5つの対象領域を用いた実験結果から,脳のマルチグラフ予測における本手法の有効性を,ベースラインアプローチと比較して実証した。

関連論文リスト

Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders [27.280927277680515]
本稿では、一般化可能なエンコーダをトレーニングするためのプレテキストモデルと、下流タスクを実行するためのタスク固有モデルからなるトポロジ対応グラフ拡張(TGA)フレームワークを提案する。 1,688 fMRIでの実験では、TGAがいくつかの最先端の手法より優れていることが示唆された。
論文参考訳（メタデータ） (2024-10-31T19:37:20Z)
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
論文参考訳（メタデータ） (2024-09-30T17:28:38Z)
Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
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のマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文参考訳（メタデータ） (2023-09-26T10:30:45Z)
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)
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)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
StairwayGraphNet for Inter- and Intra-modality Multi-resolution Brain Graph Alignment and Synthesis [1.6114012813668934]
本稿では,SG-Net(SteairwayGraphNet)フレームワークを提案する。このフレームワークは,対象とするグラフのモダリティを,与えられたモダリティと超解像脳グラフに基づいて推定する。我々のSG-Netは、(i)ドメイン間の新しいグラフ生成逆数ネットワークに基づくソースからのターゲットグラフ予測、(ii)時間を要する高価なMRI処理ステップに頼らずに高解像度の脳グラフを生成する、(iii)ソース分布を基底真理グラフに合わせるように強制する、という3つの主なコントリビューションで構成されています。
論文参考訳（メタデータ） (2021-10-06T09:49:38Z)
Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping [1.433758865948252]
そこで本研究では,非同型グラフ(IMANGraphNet)フレームワークのモダリティ間整合性について提案し,対象グラフのモダリティを所定のモダリティに基づいて推定する。私たちの3つのコアコントリビューションは、(i)新しいグラフ生成逆数ネットワーク(gGAN)に基づいて、ソースグラフ(例えば、形態学)からターゲットグラフ(例えば、関数)を予測することである。形態素グラフからの関数予測に関する包括的実験により,IMANGraphNetの変形特性と比較した性能が示された。
論文参考訳（メタデータ） (2021-06-30T08:59:55Z)
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。