論文の概要: Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory

• arxiv url: http://arxiv.org/abs/2110.11237v1
• Date: Wed, 6 Oct 2021 09:25:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-24 04:32:48.086759
• Title: Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory
• Title（参考訳）: 時間依存型脳グラフ評価軌道予測のための繰り返し脳グラフマッパー
• Authors: Alpay Tekin, Ahmed Nebli and Islem Rekik
• Abstract要約: 脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。 最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。 本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
• 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: Several brain disorders can be detected by observing alterations in the brain's structural and functional connectivities. Neurological findings suggest that early diagnosis of brain disorders, such as mild cognitive impairment (MCI), can prevent and even reverse its development into Alzheimer's disease (AD). In this context, recent studies aimed to predict the evolution of brain connectivities over time by proposing machine learning models that work on brain images. However, such an approach is costly and time-consuming. Here, we propose to use brain connectivities as a more efficient alternative for time-dependent brain disorder diagnosis by regarding the brain as instead a large interconnected graph characterizing the interconnectivity scheme between several brain regions. We term our proposed method Recurrent Brain Graph Mapper (RBGM), a novel efficient edge-based recurrent graph neural network that predicts the time-dependent evaluation trajectory of a brain graph from a single baseline. Our RBGM contains a set of recurrent neural network-inspired mappers for each time point, where each mapper aims to project the ground-truth brain graph onto its next time point. We leverage the teacher forcing method to boost training and improve the evolved brain graph quality. To maintain the topological consistency between the predicted brain graphs and their corresponding ground-truth brain graphs at each time point, we further integrate a topological loss. We also use l1 loss to capture time-dependency and minimize the distance between the brain graph at consecutive time points for regularization. Benchmarks against several variants of RBGM and state-of-the-art methods prove that we can achieve the same accuracy in predicting brain graph evolution more efficiently, paving the way for novel graph neural network architecture and a highly efficient training scheme.
• Abstract（参考訳）: いくつかの脳障害は、脳の構造的および機能的結合の変化を観察することで検出することができる。 神経学的所見は、軽度認知障害(mci)などの脳疾患の早期診断がアルツハイマー病(ad)の発症を予防し、逆にする可能性を示唆している。 この文脈において、最近の研究は、脳画像に作用する機械学習モデルを提案することによって、時間とともに脳の結合性の進化を予測することを目的としている。 しかし、そのようなアプローチはコストと時間を要する。 そこで本研究では,複数の脳領域間の相互結合性を特徴付ける大きな相互結合グラフとして,時間依存型脳障害診断のより効率的な代替手段として,脳コネクティビティを用いることを提案する。 提案手法であるRBGM(Recurrent Brain Graph Mapper)は,脳グラフの時間依存性評価軌跡を単一のベースラインから予測する,エッジベースリカレントグラフニューラルネットワークである。 当社のrbgmには、各時点毎に、再帰的なニューラルネットワークにインスパイアされたマッパーセットが含まれており、各マッパーは、次の時点に地上の脳グラフを投影することを目指している。 教師強制法を活用し,学習を増強し,発達した脳グラフの質を向上させる。 予測された脳グラフと対応する脳幹グラフとのトポロジ的整合性を維持するため,さらにトポロジ的損失を積分する。 また、l1ロスを用いて時間依存性を捕捉し、正規化のための連続時間点における脳グラフ間の距離を最小化する。 RBGMと最先端手法のいくつかの変種に対するベンチマークでは、脳グラフの進化をより効率的に予測し、新しいグラフニューラルネットワークアーキテクチャと高効率なトレーニングスキームの道を開くことができる。

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)
• MBrain: A Multi-channel Self-Supervised Learning Framework for Brain Signals [7.682832730967219]
  本稿では,SEEGデータとEEGデータのいずれかを事前学習できる脳信号の自己教師型学習フレームワークについて検討する。 そこで我々は,異なるチャネル間の空間的および時間的相関を暗黙的に学習するために,MBrainを提案する。 我々のモデルは、最先端のSSLおよび教師なしモデルよりも優れており、臨床に展開する能力を持っている。
  論文  参考訳（メタデータ） (2023-06-15T09:14:26Z)
• 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)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• 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)
• 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)
• Biologically Inspired Neural Path Finding [71.77273989319868]
  ヒトの脳は、シナプスによって接続された数千億の生物学的ニューロンからなるグラフィカルな構造と見なすことができる。 一般化グラフにおいて、ソースノードと宛先ノードの間の最適な低コスト経路を求めるための計算フレームワークを開発する。
  論文  参考訳（メタデータ） (2022-06-13T08:33:22Z)
• 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)
• 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)
• Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
  fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。 深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。 私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
  論文  参考訳（メタデータ） (2020-02-29T18:49:45Z)

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。