論文の概要: BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis

• arxiv url: http://arxiv.org/abs/2107.05097v1
• Date: Sun, 11 Jul 2021 17:33:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:05:30.948734
• Title: BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis
• Title（参考訳）: BrainNNExplainer:Brain Networkベースの疾患分析のための解釈可能なグラフニューラルネットワークフレームワーク
• Authors: Hejie Cui, Wei Dai, Yanqiao Zhu, Xiaoxiao Li, Lifang He, Carl Yang
• Abstract要約: 疾患予測のための解釈可能な脳ネットワークモデルは、神経科学の進歩に非常に有用である。 BrainNNExplainerは、脳ネットワーク分析のための解釈可能なGNNフレームワークである。
• 参考スコア（独自算出の注目度）: 23.961196793115786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpretable brain network models for disease prediction are of great value for the advancement of neuroscience. GNNs are promising to model complicated network data, but they are prone to overfitting and suffer from poor interpretability, which prevents their usage in decision-critical scenarios like healthcare. To bridge this gap, we propose BrainNNExplainer, an interpretable GNN framework for brain network analysis. It is mainly composed of two jointly learned modules: a backbone prediction model that is specifically designed for brain networks and an explanation generator that highlights disease-specific prominent brain network connections. Extensive experimental results with visualizations on two challenging disease prediction datasets demonstrate the unique interpretability and outstanding performance of BrainNNExplainer.
• Abstract（参考訳）: 疾患予測のための解釈可能な脳ネットワークモデルは、神経科学の進歩に非常に有用である。 gnnは複雑なネットワークデータをモデル化することを約束しているが、過度に適合しやすいため、医療などの決定クリティカルなシナリオでの使用を妨げている。 このギャップを埋めるために、脳ネットワーク分析のための解釈可能なGNNフレームワークであるBrainNNExplainerを提案する。 主に2つの共同学習モジュールで構成されており、脳ネットワークに特化したバックボーン予測モデルと、疾患特異的な脳ネットワーク接続を強調する説明生成器である。 BrainNNExplainerのユニークな解釈可能性と優れた性能を示す2つの難病予測データセットの可視化による大規模な実験結果。

関連論文リスト

• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• 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)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks [28.460737693330245]
  我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-01T03:59:54Z)
• 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)
• Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
  本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。 提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2022-06-30T08:02:05Z)
• FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation [11.434951542977515]
  我々は,脳深部ネットワーク生成によるタスク認識・解釈可能なfMRI解析フレームワークFBNETGENを開発した。 このプロセスとともに、重要な新しいコンポーネントは、生の時系列機能をタスク指向の脳ネットワークに変換することを学ぶグラフジェネレータである。 学習可能なグラフはまた、予測関連脳領域を強調することで独自の解釈を提供する。
  論文  参考訳（メタデータ） (2022-05-25T03:26:50Z)
• 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)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• BrainGB: A Benchmark for Brain Network Analysis with Graph Neural Networks [20.07976837999997]
  グラフニューラルネットワーク(GNN)を用いた脳ネットワーク解析のためのベンチマークであるBrainGBを提案する。 BrainGBは脳ネットワーク構築パイプラインを機能的および構造的ニューロイメージングの両方に標準化する。 脳ネットワーク上での効果的なGNN設計のための一般的なレシピセットを推奨する。
  論文  参考訳（メタデータ） (2022-03-17T08:31:13Z)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  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を解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)

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。