論文の概要: Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping

• arxiv url: http://arxiv.org/abs/2107.06281v1
• Date: Wed, 30 Jun 2021 08:59:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:24:38.588128
• Title: Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping
• Title（参考訳）: 非同型モード間グラフアライメントとホロスティック脳マッピングのための合成
• Authors: Islem Mhiri and Ahmed Nebli and Mohamed Ali Mahjoub and Islem Rekik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain graph synthesis marked a new era for predicting a target brain graph from a source one without incurring the high acquisition cost and processing time of neuroimaging data. However, existing multi-modal graph synthesis frameworks have several limitations. First, they mainly focus on generating graphs from the same domain (intra-modality), overlooking the rich multimodal representations of brain connectivity (inter-modality). Second, they can only handle isomorphic graph generation tasks, limiting their generalizability to synthesizing target graphs with a different node size and topological structure from those of the source one. More importantly, both target and source domains might have different distributions, which causes a domain fracture between them (i.e., distribution misalignment). To address such challenges, we propose an inter-modality aligner of non-isomorphic graphs (IMANGraphNet) framework to infer a target graph modality based on a given modality. Our three core contributions lie in (i) predicting a target graph (e.g., functional) from a source graph (e.g., morphological) based on a novel graph generative adversarial network (gGAN); (ii) using non-isomorphic graphs for both source and target domains with a different number of nodes, edges and structure; and (iii) enforcing the predicted target distribution to match that of the ground truth graphs using a graph autoencoder to relax the designed loss oprimization. To handle the unstable behavior of gGAN, we design a new Ground Truth-Preserving (GT-P) loss function to guide the generator in learning the topological structure of ground truth brain graphs. Our comprehensive experiments on predicting functional from morphological graphs demonstrate the outperformance of IMANGraphNet in comparison with its variants. This can be further leveraged for integrative and holistic brain mapping in health and disease.
• Abstract（参考訳）: 脳グラフ合成は、脳画像データの高い獲得コストと処理時間を伴うことなく、ソースからターゲットの脳グラフを予測する新しい時代を告げた。 しかし、既存のマルチモーダルグラフ合成フレームワークにはいくつかの制限がある。 第一に、彼らは主に同じドメイン(イントラモダリティ)からグラフを生成することに焦点を当て、脳の接続性(インターモダリティ)の豊富なマルチモーダル表現を見渡す。 第二に、それらは同型グラフ生成タスクのみを処理でき、対象グラフを異なるノードサイズとトポロジ構造で合成する一般化性を制限することができる。 さらに重要なことに、ターゲットドメインとソースドメインの両方が異なる分布を持ち、それらの間にドメイン破壊を引き起こす可能性がある。 このような課題に対処するために、与えられたモダリティに基づいて対象グラフのモダリティを推測する非同型グラフ(IMANGraphNet)フレームワークのモード間整合器を提案する。 我々の3つの中心的貢献は、(i) 新たな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、機能)を予測すること、(ii) ノード数、エッジ、構造が異なるソースドメインとターゲットドメインの両方に対して非同型グラフを使用すること、(iii) 予測対象分布を、グラフオートエンコーダを用いて基底真理グラフと一致するように強制することにある。 gGANの不安定な挙動に対処するため,グラウンド・トゥルース保存(GT-P)ロス関数を設計し,グラウンド・真理脳グラフのトポロジ的構造を学習するためのジェネレータを誘導する。 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を示す。 これは健康と疾患における統合的および総合的な脳マッピングにさらに活用することができる。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network [1.6114012813668934]
  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。
  論文  参考訳（メタデータ） (2021-05-06T10:20:45Z)
• 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)
• MathNet: Haar-Like Wavelet Multiresolution-Analysis for Graph Representation and Learning [31.42901131602713]
  本稿では,マルチレゾリューション・ハール型ウェーブレット(MathNet)を用いたグラフニューラルネットワークのためのフレームワークを提案する。 提案したMathNetは、特にデータセットにおいて、既存のGNNモデルよりも優れている。
  論文  参考訳（メタデータ） (2020-07-22T05:00:59Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
  Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。 医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
  論文  参考訳（メタデータ） (2020-02-11T12:59:35Z)

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。