論文の概要: A Heterogeneous Graph Based Framework for Multimodal Neuroimaging Fusion Learning

• arxiv url: http://arxiv.org/abs/2110.08465v1
• Date: Sat, 16 Oct 2021 04:15:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-21 18:15:01.159094
• Title: A Heterogeneous Graph Based Framework for Multimodal Neuroimaging Fusion Learning
• Title（参考訳）: マルチモーダルニューロイメージング融合学習のためのヘテロジニアスグラフベースフレームワーク
• Authors: Gen Shi, Yifan Zhu, Wenjin Liu, Xuesong Li
• Abstract要約: マルチモーダル・フュージョン・ラーニング(HGM)のための異種グラフニューラルネットワークを提案する。 従来のGNNベースのモデルは、通常、脳ネットワークは単一タイプのノードとエッジを持つ均質なグラフであると仮定する。 本研究の結果は, 疾患予測タスクにおける他のマルチモーダル手法よりも, 提案モデルの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.23207187065507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Here, we present a Heterogeneous Graph neural network for Multimodal neuroimaging fusion learning (HGM). Traditional GNN-based models usually assume the brain network is a homogeneous graph with single type of nodes and edges. However, vast literatures have shown the heterogeneity of the human brain especially between the two hemispheres. Homogeneous brain network is insufficient to model the complicated brain state. Therefore, in this work we firstly model the brain network as heterogeneous graph with multi-type nodes (i.e., left and right hemispheric nodes) and multi-type edges (i.e., intra- and inter-hemispheric edges). Besides, we also propose a self-supervised pre-training strategy based on heterogeneou brain network to address the overfitting problem due to the complex model and small sample size. Our results on two datasets show the superiority of proposed model over other multimodal methods for disease prediction task. Besides, ablation experiments show that our model with pre-training strategy can alleviate the problem of limited training sample size.
• Abstract（参考訳）: 本稿では,マルチモーダルニューロイメージング融合学習(hgm)のためのヘテロジニアスグラフニューラルネットワークを提案する。 従来のGNNベースのモデルは、通常、脳ネットワークは単一タイプのノードとエッジを持つ均質なグラフであると仮定する。 しかし、膨大な文献は、特に2つの半球の間の人間の脳の不均一性を示している。 一様脳ネットワークは複雑な脳状態をモデル化するには不十分である。 そこで本研究では,脳ネットワークをマルチタイプノード(左右半球ノード)とマルチタイプエッジ(すなわち、半球内エッジと半球間エッジ)からなる不均質グラフとしてモデル化する。 また,ヘテロジノウ脳ネットワークに基づく自己教師型事前学習戦略を提案し,複雑なモデルと小さなサンプルサイズによるオーバーフィッティング問題に対処する。 本研究の結果は, 疾患予測タスクにおける他のマルチモーダル手法よりも, 提案モデルの方が優れていることを示す。 また, アブレーション実験により, 事前学習戦略を持つモデルが, 限られたトレーニングサンプルサイズの問題を軽減できることを示した。

関連論文リスト

• 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)
• HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification [1.7495515703051119]
  上記の課題に対処するために設計された最初のモデルである階層型動的グラフ表現学習(HDGL)モデルを提案する。 ABIDEおよびADHD-200データセットを用いて提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-11-06T06:29:23Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Investigating Neuron Disturbing in Fusing Heterogeneous Neural Networks [6.389882065284252]
  本稿では,異種局所モデルのニューロン同士が相互に干渉するニューロン乱れ現象を明らかにする。 本稿では,ニューラルネットワークの乱れを排除し,AMSと呼ばれる局所モデルを適応的に選択して予測を行う実験手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T06:47:48Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。 焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。 本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:04Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 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)
• 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)

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。