論文の概要: Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention

• arxiv url: http://arxiv.org/abs/2105.13495v1
• Date: Thu, 27 May 2021 23:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:44:34.235289
• Title: Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention
• Title（参考訳）: 時空間的注意を伴う脳コネクトームの動的グラフ表現の学習
• Authors: Byung-Hoon Kim, Jong Chul Ye, Jae-Jin Kim
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.049423523704824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional connectivity (FC) between regions of the brain can be assessed by the degree of temporal correlation measured with functional neuroimaging modalities. Based on the fact that these connectivities build a network, graph-based approaches for analyzing the brain connectome have provided insights into the functions of the human brain. The development of graph neural networks (GNNs) capable of learning representation from graph structured data has led to increased interest in learning the graph representation of the brain connectome. Although recent attempts to apply GNN to the FC network have shown promising results, there is still a common limitation that they usually do not incorporate the dynamic characteristics of the FC network which fluctuates over time. In addition, a few studies that have attempted to use dynamic FC as an input for the GNN reported a reduction in performance compared to static FC methods, and did not provide temporal explainability. Here, we propose STAGIN, a method for learning dynamic graph representation of the brain connectome with spatio-temporal attention. Specifically, a temporal sequence of brain graphs is input to the STAGIN to obtain the dynamic graph representation, while novel READOUT functions and the Transformer encoder provide spatial and temporal explainability with attention, respectively. Experiments on the HCP-Rest and the HCP-Task datasets demonstrate exceptional performance of our proposed method. Analysis of the spatio-temporal attention also provide concurrent interpretation with the neuroscientific knowledge, which further validates our method. Code is available at https://github.com/egyptdj/stagin
• Abstract（参考訳）: 脳の領域間の機能的接続(FC)は、機能的ニューロイメージングによる時間的相関度によって評価することができる。 これらのコネクティビティがネットワークを構築するという事実に基づいて、脳コネクティビティを解析するためのグラフベースのアプローチは、人間の脳の機能に関する洞察を提供する。 グラフ構造化データから表現を学習できるグラフニューラルネットワーク(GNN)の開発により、脳コネクトームのグラフ表現の学習への関心が高まっている。 FCネットワークにGNNを適用しようとする最近の試みは有望な結果を示しているが、通常は時間とともに変動するFCネットワークの動的特性を取り入れないという一般的な制限がある。 さらに、GNNの入力として動的FCを使用しようとするいくつかの研究は、静的FC法と比較して性能の低下を報告し、時間的説明性を提供しなかった。 本稿では,脳コネクトームの動的グラフ表現を時空間的注意で学習する方法であるstaginを提案する。 具体的には、脳グラフの時系列シーケンスをスタギンに入力して動的グラフ表現を得る一方、新しい読み出し機能とトランスフォーマエンコーダは、それぞれ注意して空間的及び時間的説明性を提供する。 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。 時空間的注意の解析は神経科学知識の同時解釈にも役立ち,本手法をさらに検証する。 コードはhttps://github.com/egyptdj/staginで入手できる。

関連論文リスト

• 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)
• 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)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• 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)
• Learning to Model the Relationship Between Brain Structural and Functional Connectomes [16.096428756895918]
  脳目的接続(SC)と機能接続(FC)の関係をモデル化するグラフ表現学習フレームワークを開発した。 トレーニング可能なグラフ畳み込みエンコーダは、実際の神経通信を模倣する脳の領域間の相互作用をキャプチャする。 実験では、学習した表現が、被験者の脳ネットワークの本質的な特性から貴重な情報を取得することを示した。
  論文  参考訳（メタデータ） (2021-12-18T11:23:55Z)
• 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)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• 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。