論文の概要: Inter-Domain Alignment for Predicting High-Resolution Brain Networks
Using Teacher-Student Learning
- arxiv url: http://arxiv.org/abs/2110.03452v1
- Date: Wed, 6 Oct 2021 09:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 15:51:35.543124
- Title: Inter-Domain Alignment for Predicting High-Resolution Brain Networks
Using Teacher-Student Learning
- Title(参考訳): 教師学習を用いた高分解能脳ネットワーク予測のためのドメイン間アライメント
- Authors: Basar Demir, Alaa Bessadok, and Islem Rekik
- Abstract要約: 本稿では,脳グラフを超解する知識蒸留ネットワーク(L2S-KDnet)による脳グラフの超解法を提案する。
教師ネットワークは、まず、LR脳グラフの埋め込みを学習し、第二に、得られた潜在表現をHR基底真理データ分布に整合させる方法を学ぶグラフエンコーダデコーダである。
次に、学生ネットワークは、教師から受け継いだ予測されたHRグラフのトポロジ的構造とともに、整列した脳グラフの知識を学習する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate and automated super-resolution image synthesis is highly desired
since it has the great potential to circumvent the need for acquiring high-cost
medical scans and a time-consuming preprocessing pipeline of neuroimaging data.
However, existing deep learning frameworks are solely designed to predict
high-resolution (HR) image from a low-resolution (LR) one, which limits their
generalization ability to brain graphs (i.e., connectomes). A small body of
works has focused on superresolving brain graphs where the goal is to predict a
HR graph from a single LR graph. Although promising, existing works mainly
focus on superresolving graphs belonging to the same domain (e.g., functional),
overlooking the domain fracture existing between multimodal brain data
distributions (e.g., morphological and structural). To this aim, we propose a
novel inter-domain adaptation framework namely, Learn to SuperResolve Brain
Graphs with Knowledge Distillation Network (L2S-KDnet), which adopts a
teacher-student paradigm to superresolve brain graphs. Our teacher network is a
graph encoder-decoder that firstly learns the LR brain graph embeddings, and
secondly learns how to align the resulting latent representations to the HR
ground truth data distribution using an adversarial regularization. Ultimately,
it decodes the HR graphs from the aligned embeddings. Next, our student network
learns the knowledge of the aligned brain graphs as well as the topological
structure of the predicted HR graphs transferred from the teacher. We further
leverage the decoder of the teacher to optimize the student network. L2S-KDnet
presents the first TS architecture tailored for brain graph super-resolution
synthesis that is based on inter-domain alignment. Our experimental results
demonstrate substantial performance gains over benchmark methods.
- Abstract(参考訳): 高精度で自動化された超解像画像合成は、高コストな医療スキャンと時間を要するニューロイメージングデータの前処理パイプラインの獲得を回避できる大きな可能性を秘めているため、非常に望まれている。
しかし、既存のディープラーニングフレームワークは、低解像度(LR)画像から高解像度(HR)画像を予測するためにのみ設計されており、その一般化能力は脳グラフ(コネクトーム)に制限される。
少数の研究は、単一のLRグラフからHRグラフを予測することを目的として、脳グラフの超解法に焦点を当てている。
有望ではあるが、既存の研究は、主に同じドメインに属する超解法グラフ(例えば、機能)に焦点を当て、マルチモーダルな脳データ分布(例えば、形態学と構造学)の間に存在する領域の破壊を見渡す。
そこで本研究では,脳グラフの超解法に教師-学生パラダイムを取り入れた,知識蒸留ネットワーク(L2S-KDnet)を用いた新たなドメイン間適応フレームワークを提案する。
教師ネットワークは,まずlrブレイングラフ埋め込みを学習するグラフエンコーダ・デコーダであり,次に,相反正規化を用いたhrグランド・真実データ分布への潜在表現の調整方法を学ぶ。
最終的に、HRグラフをアライメントされた埋め込みからデコードする。
次に,学生ネットワークは,教師から伝達される予測されたhrグラフの位相構造だけでなく,アライメントされた脳グラフの知識を学習する。
さらに,教師のデコーダを利用して学生ネットワークを最適化する。
L2S-KDnetは、ドメイン間のアライメントに基づく脳グラフ超解像合成に適した最初のTSアーキテクチャを提供する。
評価実験の結果,ベンチマーク法よりもかなりの性能向上を示した。
関連論文リスト
- Strongly Topology-preserving GNNs for Brain Graph Super-resolution [5.563171090433323]
脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。
現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。
我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
論文 参考訳(メタデータ) (2024-11-01T03:29:04Z) - 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) - 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) - A Few-shot Learning Graph Multi-Trajectory Evolution Network for
Forecasting Multimodal Baby Connectivity Development from a Baseline
Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。
これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文 参考訳(メタデータ) (2021-10-06T08:26:57Z) - 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) - Brain Graph Super-Resolution Using Adversarial Graph Neural Network with
Application to Functional Brain Connectivity [0.0]
ハイレゾリューション(HR)脳グラフの自動生成を試みる,世界初のディープグラフスーパーレゾリューション(GSR)フレームワークを提案する。
提案されたAGSR-Netフレームワークは、低解像度から高分解能機能脳グラフを予測するための変種を上回った。
論文 参考訳(メタデータ) (2021-05-02T09:09:56Z) - GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution
from Low-Resolution Functional Brain Connectomes [0.0]
低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Netを紹介する。
まず、非ユークリッドデータに特有のグラフ畳み込み、プーリング、アンプール操作に基づくU-Netのようなアーキテクチャを採用する。
第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、HRグラフを予測するために、グラフ超解像層と2つのグラフ畳み込みネットワーク層でトッピングすることで破壊する。
論文 参考訳(メタデータ) (2020-09-23T12:02:55Z) - 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) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳(メタデータ) (2020-07-18T01:11:14Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳(メタデータ) (2020-06-17T16:18:35Z) - Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。
グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF)
完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文 参考訳(メタデータ) (2020-04-06T13:25:46Z)
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。