論文の概要: Learning to Model the Relationship Between Brain Structural and Functional Connectomes

• arxiv url: http://arxiv.org/abs/2112.09906v1
• Date: Sat, 18 Dec 2021 11:23:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 18:27:44.562633
• Title: Learning to Model the Relationship Between Brain Structural and Functional Connectomes
• Title（参考訳）: 脳構造と機能的コネクトームの関係をモデル化する学習
• Authors: Yang Li, Gonzalo Mateos, Zhengwu Zhang
• Abstract要約: 脳目的接続(SC)と機能接続(FC)の関係をモデル化するグラフ表現学習フレームワークを開発した。 トレーニング可能なグラフ畳み込みエンコーダは、実際の神経通信を模倣する脳の領域間の相互作用をキャプチャする。 実験では、学習した表現が、被験者の脳ネットワークの本質的な特性から貴重な情報を取得することを示した。
• 参考スコア（独自算出の注目度）: 16.096428756895918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in neuroimaging along with algorithmic innovations in statistical learning from network data offer a unique pathway to integrate brain structure and function, and thus facilitate revealing some of the brain's organizing principles at the system level. In this direction, we develop a supervised graph representation learning framework to model the relationship between brain structural connectivity (SC) and functional connectivity (FC) via a graph encoder-decoder system, where the SC is used as input to predict empirical FC. A trainable graph convolutional encoder captures direct and indirect interactions between brain regions-of-interest that mimic actual neural communications, as well as to integrate information from both the structural network topology and nodal (i.e., region-specific) attributes. The encoder learns node-level SC embeddings which are combined to generate (whole brain) graph-level representations for reconstructing empirical FC networks. The proposed end-to-end model utilizes a multi-objective loss function to jointly reconstruct FC networks and learn discriminative graph representations of the SC-to-FC mapping for downstream subject (i.e., graph-level) classification. Comprehensive experiments demonstrate that the learnt representations of said relationship capture valuable information from the intrinsic properties of the subject's brain networks and lead to improved accuracy in classifying a large population of heavy drinkers and non-drinkers from the Human Connectome Project. Our work offers new insights on the relationship between brain networks that support the promising prospect of using graph representation learning to discover more about human brain activity and function.
• Abstract（参考訳）: 近年の神経イメージングの進歩と、ネットワークデータからの統計学習のアルゴリズム的革新は、脳の構造と機能を統合するユニークな経路を提供し、それによって脳の組織原理をシステムレベルで明らかにする。 本研究では,脳構造接続(sc)と機能的結合(fc)の関係をグラフエンコーダ・デコーダシステムを介してモデル化する教師付きグラフ表現学習フレームワークを開発した。 トレーニング可能なグラフ畳み込みエンコーダは、実際の神経通信を模倣する関心領域間の直接的および間接的な相互作用をキャプチャし、構造的ネットワークトポロジーとニューダル属性(すなわち、地域固有の)からの情報を統合する。 エンコーダは、経験的FCネットワークを再構築するためのグラフレベル表現を生成するために結合されたノードレベルのSC埋め込みを学習する。 提案するエンド・ツー・エンドモデルでは,多目的損失関数を用いてFCネットワークを協調的に再構築し,下流対象(グラフレベル)分類のためのSC-to-FCマッピングの識別グラフ表現を学習する。 包括的実験により、この関係の学習表現は、被験者の脳ネットワークの固有特性から貴重な情報を取得し、ヒトコネクトームプロジェクトから大量の重飲者と非飲料者の集団を分類する精度を向上させることが示されている。 我々の研究は、人間の脳の活動と機能についてより深い知見を得るためにグラフ表現学習を使用するという将来性を支持する脳ネットワークの関係に関する新たな洞察を提供する。

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)
• Exploring General Intelligence via Gated Graph Transformer in Functional Connectivity Studies [39.82681427764513]
  Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
  論文  参考訳（メタデータ） (2024-01-18T19:28:26Z)
• Brain Networks and Intelligence: A Graph Neural Network Based Approach to Resting State fMRI Data [2.193937336601403]
  本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。 本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
  論文  参考訳（メタデータ） (2023-11-06T20:58:07Z)
• Language Knowledge-Assisted Representation Learning for Skeleton-Based Action Recognition [71.35205097460124]
  人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。 LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-21T08:29:16Z)
• 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)
• 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)
• Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
  本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。 提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。 我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
  論文  参考訳（メタデータ） (2021-09-26T07:19:47Z)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)
• 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。