論文の概要: StairwayGraphNet for Inter- and Intra-modality Multi-resolution Brain Graph Alignment and Synthesis

• arxiv url: http://arxiv.org/abs/2110.04279v1
• Date: Wed, 6 Oct 2021 09:49:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-11 14:34:34.586462
• Title: StairwayGraphNet for Inter- and Intra-modality Multi-resolution Brain Graph Alignment and Synthesis
• Title（参考訳）: マルチ解像度脳グラフアライメントと合成のためのstairwaygraphnet
• Authors: Islem Mhiri, Mohamed Ali Mahjoub and Islem Rekik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.6114012813668934
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Synthesizing multimodality medical data provides complementary knowledge and helps doctors make precise clinical decisions. Although promising, existing multimodal brain graph synthesis frameworks have several limitations. First, they mainly tackle only one problem (intra- or inter-modality), limiting their generalizability to synthesizing inter- and intra-modality simultaneously. Second, while few techniques work on super-resolving low-resolution brain graphs within a single modality (i.e., intra), inter-modality graph super-resolution remains unexplored though this would avoid the need for costly data collection and processing. More importantly, both target and source domains might have different distributions, which causes a domain fracture between them. To fill these gaps, we propose a multi-resolution StairwayGraphNet (SG-Net) framework to jointly infer a target graph modality based on a given modality and super-resolve brain graphs in both inter and intra domains. Our SG-Net is grounded in three main contributions: (i) predicting a target graph from a source one based on a novel graph generative adversarial network in both inter (e.g., morphological-functional) and intra (e.g., functional-functional) domains, (ii) generating high-resolution brain graphs without resorting to the time consuming and expensive MRI processing steps, and (iii) enforcing the source distribution to match that of the ground truth graphs using an inter-modality aligner to relax the loss function to optimize. Moreover, we design a new Ground Truth-Preserving loss function to guide both generators in learning the topological structure of ground truth brain graphs more accurately. Our comprehensive experiments on predicting target brain graphs from source graphs using a multi-resolution stairway showed the outperformance of our method in comparison with its variants and state-of-the-art method.
• Abstract（参考訳）: 多要素医療データの合成は、補完的な知識を提供し、医師が正確な臨床決定を行うのを助ける。 有望ではあるが、既存のマルチモーダル脳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、それらは主に1つの問題(intra- or inter-modality)に取り組み、それらの一般化可能性を制限する。 第2に、単一のモダリティ(すなわちイントラモダリティ)内で低解像度の脳グラフをスーパーレゾリューションする手法は少ないが、モダリティ間のグラフスーパーレゾリューションはまだ検討されていない。 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つ可能性がある。 これらのギャップを埋めるために、我々は、与えられたモダリティと、インタードメインとイントラドメインの両方における超解像脳グラフに基づいて、目標グラフのモダリティを共同で推測するマルチレゾリューションのStairwayGraphNet(SG-Net)フレームワークを提案する。 私たちのsg-netの主な貢献は3つあります。 一 対象グラフを、インター(形態的機能)及びイントラ(機能的機能)の両領域において、新規なグラフ生成敵ネットワークに基づいて、ソースグラフから予測すること。 (ii)時間と高価なmri処理工程を使わずに高分解能脳グラフを生成すること、及び (iii)ロス関数を緩和して最適化するために、モダリティ間調整器を用いて、基底真理グラフと一致させるようにソース分布を強制する。 さらに,地中真理脳グラフのトポロジ構造をより正確に学習するために,両ジェネレータを誘導する新たな地中真理保存損失関数を設計する。 マルチレゾリューション階段を用いた音源グラフからのターゲット脳グラフの予測に関する総合的な実験は,その変種や最先端手法と比較して,本手法の高性能性を示した。

関連論文リスト

• MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction [8.592259720470697]
  脳障害予測のためのマルチモーダルグラフ深層学習フレームワークMM-GTUNetsを提案する。 本稿では,報酬システムを用いて集団グラフを適応的に構築するMRRL(Modality Reward Representation Learning)を提案する。 また,ACMGL(Adaptive Cross-Modal Graph Learning)を提案する。
  論文  参考訳（メタデータ） (2024-06-20T16:14:43Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Inter-Domain Alignment for Predicting High-Resolution Brain Networks Using Teacher-Student Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-10-06T09:31:44Z)
• Learning Multi-Granular Spatio-Temporal Graph Network for Skeleton-based Action Recognition [49.163326827954656]
  骨格に基づく行動分類のための新しい多言語時空間グラフネットワークを提案する。 2つの枝の枝からなるデュアルヘッドグラフネットワークを開発し、少なくとも2つの時間分解能を抽出する。 3つの大規模データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2021-08-10T09:25:07Z)
• Non-isomorphic Inter-modality Graph Alignment and Synthesis for Holistic Brain Mapping [1.433758865948252]
  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。
  論文  参考訳（メタデータ） (2021-06-30T08:59:55Z)
• 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)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。