論文の概要: Recurrent Multigraph Integrator Network for Predicting the Evolution of
Population-Driven Brain Connectivity Templates
- arxiv url: http://arxiv.org/abs/2110.03453v1
- Date: Wed, 6 Oct 2021 10:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 15:51:05.724690
- Title: Recurrent Multigraph Integrator Network for Predicting the Evolution of
Population-Driven Brain Connectivity Templates
- Title（参考訳）: 集団駆動型脳接続テンプレートの進化予測のための再帰的マルチグラフインテグレータネットワーク
- Authors: Oytun Demirbilek and Islem Rekik
- Abstract要約: それぞれのグラフは、関心の対の脳領域(ROI)の間の特定の関係を定量化する。
我々のReMI-Netは、各CBTノードの隠れ状態埋め込みを学習するためにクロスノードメッセージパスを使用して、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されています。
我々は、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
- 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: Learning how to estimate a connectional brain template(CBT) from a population
of brain multigraphs, where each graph (e.g., functional) quantifies a
particular relationship between pairs of brain regions of interest (ROIs),
allows to pin down the unique connectivity patterns shared across individuals.
Specifically, a CBT is viewed as an integral representation of a set of highly
heterogeneous graphs and ideally meeting the centeredness (i.e., minimum
distance to all graphs in the population) and discriminativeness (i.e.,
distinguishes the healthy from the disordered population) criteria. So far,
existing works have been limited to only integrating and fusing a population of
brain multigraphs acquired at a single timepoint. In this paper, we
unprecedentedly tackle the question: Given a baseline multigraph population,
can we learn how to integrate and forecast its CBT representations at follow-up
timepoints? Addressing such question is of paramount in predicting common
alternations across healthy and disordered populations. To fill this gap, we
propose Recurrent Multigraph Integrator Network (ReMI-Net), the first graph
recurrent neural network which infers the baseline CBT of an input population
t1 and predicts its longitudinal evolution over time (ti > t1). Our ReMI-Net is
composed of recurrent neural blocks with graph convolutional layers using a
cross-node message passing to first learn hidden-states embeddings of each CBT
node (i.e., brain region of interest) and then predict its evolution at the
consecutive timepoint. Moreover, we design a novel time-dependent loss to
regularize the CBT evolution trajectory over time and further introduce a
cyclic recursion and learnable normalization layer to generate well-centered
CBTs from time-dependent hidden-state embeddings. Finally, we derive the CBT
adjacency matrix from the learned hidden state graph representation.
- Abstract（参考訳）: 連結脳テンプレート(CBT)を脳多グラフの集団から推定する方法を学ぶことで、各グラフ(例えば、機能的)は、関心の対の脳領域(ROI)の間の特定の関係を定量化し、個人間で共有されるユニークな接続パターンを特定できるようにする。
具体的には、CBTは高度に異質なグラフの集合の積分表現と見なされ、理想的には中心性(すなわち、人口内のすべてのグラフへの最小距離)と識別性(すなわち、混乱した人口と健康性を区別する)の基準を満たす。
これまでのところ、既存の作品は単一の時間で取得した脳のマルチグラフの統合と融合に限られている。
ベースラインのマルチグラフ人口を考えると、そのCBT表現をフォローアップタイムポイントでどのように統合し、予測するかを学ぶことができるだろうか?
このような問題に対処することは、健康な人口と無秩序な人口の共通の変化を予測する上で最重要である。
このギャップを埋めるために,入力集団t1のベースラインcbtを推定し,その経時的変化を予測する最初のグラフ再帰型ニューラルネットワークであるrecurrent multigraph integrator network (remi-net)を提案する(ti > t1)。
我々のReMI-Netは、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されており、クロスノードメッセージパスを使用して、まず各CBTノードの隠れ状態埋め込み(すなわち、関心のある脳領域)を学習し、連続した時間ポイントでその進化を予測する。
さらに,CBTの進化軌道を時間とともに規則化する新たな時間依存的損失を設計し,さらに周期的再帰および学習可能な正規化層を導入し,時間依存型隠れ状態埋め込みから良好なCBTを生成する。
最後に、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
関連論文リスト
- 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) - Deep Cross-Modality and Resolution Graph Integration for Universal Brain
Connectivity Mapping and Augmentation [0.0]
コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。
本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。
提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
論文 参考訳（メタデータ） (2022-09-13T14:04:12Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳（メタデータ） (2022-06-28T08:11:12Z) - Spatial-Temporal Adaptive Graph Convolution with Attention Network for
Traffic Forecasting [4.1700160312787125]
交通予測のための新しいネットワークである空間時間適応グラフ畳み込み(STAAN)を提案する。
まず,GCN処理中に事前に定義された行列を使わずに適応的依存行列を採用し,ノード間の依存性を推定する。
第2に,グローバルな依存のために設計されたグラフアテンションネットワークに基づくPWアテンションと,空間ブロックとしてのGCNを統合した。
論文 参考訳（メタデータ） (2022-06-07T09:08:35Z) - Comparative Survey of Multigraph Integration Methods for Holistic Brain
Connectivity Mapping [0.0]
我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。
ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T13:34:34Z) - Spatio-Temporal Joint Graph Convolutional Networks for Traffic
Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。
本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-25T08:45:14Z) - Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。
既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。
本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
論文 参考訳（メタデータ） (2021-11-16T08:01:16Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳（メタデータ） (2021-07-21T03:34:09Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating
Connectional Brain Templates [0.0]
接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。
Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。
DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
論文 参考訳（メタデータ） (2020-12-28T08:01:49Z) - Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial
Network Normalizer [0.0]
我々は,脳グラフの正規化を学習する最初のグラフベース生成適応ネットワーク(gGAN)を提案する。
提案手法は, 単一の基準点を用いた脳疾患進展予測誤差の最小化に成功した。
論文 参考訳（メタデータ） (2020-09-23T14:25:40Z)
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。