論文の概要: Graph Autoencoders for Embedding Learning in Brain Networks and Major
Depressive Disorder Identification
- arxiv url: http://arxiv.org/abs/2107.12838v1
- Date: Tue, 27 Jul 2021 14:12:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 19:20:34.273435
- Title: Graph Autoencoders for Embedding Learning in Brain Networks and Major
Depressive Disorder Identification
- Title（参考訳）: 脳ネットワークに学習を埋め込むグラフオートエンコーダと大うつ病識別
- Authors: Fuad Noman, Chee-Ming Ting, Hakmook Kang, Raphael C.-W. Phan, Brian D.
Boyd, Warren D. Taylor, and Hernando Ombao
- Abstract要約: 我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。
グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。
我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
- 参考スコア（独自算出の注目度）: 13.907981019956832
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Brain functional connectivity (FC) reveals biomarkers for identification of
various neuropsychiatric disorders. Recent application of deep neural networks
(DNNs) to connectome-based classification mostly relies on traditional
convolutional neural networks using input connectivity matrices on a regular
Euclidean grid. We propose a graph deep learning framework to incorporate the
non-Euclidean information about graph structure for classifying functional
magnetic resonance imaging (fMRI)- derived brain networks in major depressive
disorder (MDD). We design a novel graph autoencoder (GAE) architecture based on
the graph convolutional networks (GCNs) to embed the topological structure and
node content of large-sized fMRI networks into low-dimensional latent
representations. In network construction, we employ the Ledoit-Wolf (LDW)
shrinkage method to estimate the high-dimensional FC metrics efficiently from
fMRI data. We consider both supervised and unsupervised approaches for the
graph embedded learning. The learned embeddings are then used as feature inputs
for a deep fully-connected neural network (FCNN) to discriminate MDD from
healthy controls. Evaluated on a resting-state fMRI MDD dataset with 43
subjects, results show that the proposed GAE-FCNN model significantly
outperforms several state-of-the-art DNN methods for brain connectome
classification, achieving accuracy of 72.50% using the LDW-FC metrics as node
features. The graph embeddings of fMRI FC networks learned by the GAE also
reveal apparent group differences between MDD and HC. Our new framework
demonstrates feasibility of learning graph embeddings on brain networks to
provide discriminative information for diagnosis of brain disorders.
- Abstract（参考訳）: 脳機能接続(fc)は、様々な神経精神疾患を同定するためのバイオマーカーである。
ディープニューラルネットワーク(DNN)のコネクトームに基づく分類への応用は主に、通常のユークリッド格子上の入力接続行列を用いた従来の畳み込みニューラルネットワークに依存している。
本稿では,大うつ病(MDD)における機能的磁気共鳴画像(fMRI)由来の脳ネットワークを分類するために,非ユークリッド情報を用いたグラフ深層学習フレームワークを提案する。
グラフ畳み込みネットワーク(gcns)に基づく新しいグラフオートエンコーダ(gae)アーキテクチャを設計し,大規模fmriネットワークの位相構造とノード内容を低次元の潜在表現に組み込む。
ネットワーク構築において、fMRIデータから高次元FCメトリクスを効率的に推定するために、Ledoit-Wolf(LDW)収縮法を用いる。
グラフ組込み学習では教師なしと教師なしの両方のアプローチを検討する。
学習された埋め込みは、健康的な制御からMDDを識別するために、深層完全接続ニューラルネットワーク(FCNN)の機能入力として使用される。
43名の被験者による静止状態fMRI MDDデータセットを用いて評価した結果,提案したGAE-FCNNモデルは,脳コネクトーム分類の最先端DNN法を著しく上回り,LDW-FC測定値をノード特性として72.50%の精度を達成した。
GAEによって学習されたfMRI FCネットワークのグラフ埋め込みはまた、MDDとHCの明らかなグループ差を明らかにした。
本稿では,脳障害診断のための識別情報を提供するために,脳ネットワークへの学習グラフ埋め込みの実現可能性を示す。
関連論文リスト
- Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - 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) - Benchmarking Graph Neural Networks for FMRI analysis [0.0]
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から学習するための強力なツールとして登場した。
うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。
機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
論文 参考訳（メタデータ） (2022-11-16T14:16:54Z) - 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) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - 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) - 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) - 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。