論文の概要: Self-supervised Representation Learning of Neuronal Morphologies

• arxiv url: http://arxiv.org/abs/2112.12482v1
• Date: Thu, 23 Dec 2021 12:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 14:56:01.946023
• Title: Self-supervised Representation Learning of Neuronal Morphologies
• Title（参考訳）: 神経形態の自己教師的表現学習
• Authors: Marissa A. Weis, Laura Pede, Timo L\"uddecke, Alexander S. Ecker
• Abstract要約: ニューロンの3次元形態の低次元表現を学習するための、純粋にデータ駆動型アプローチであるGraphDINOを提案する。 本手法は,手動特徴量に基づく分類に匹敵する形態的細胞型クラスタリングを実現することができることを示す。 本手法は,データセット中のサンプルがグラフであり,グラフレベルの埋め込みが望まれる設定において,神経科学を超えて適用可能である。
• 参考スコア（独自算出の注目度）: 67.57317946062773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the diversity of cell types and their function in the brain is one of the key challenges in neuroscience. The advent of large-scale datasets has given rise to the need of unbiased and quantitative approaches to cell type classification. We present GraphDINO, a purely data-driven approach to learning a low dimensional representation of the 3D morphology of neurons. GraphDINO is a novel graph representation learning method for spatial graphs utilizing self-supervised learning on transformer models. It smoothly interpolates between attention-based global interaction between nodes and classic graph convolutional processing. We show that this method is able to yield morphological cell type clustering that is comparable to manual feature-based classification and shows a good correspondence to expert-labeled cell types in two different species and cortical areas. Our method is applicable beyond neuroscience in settings where samples in a dataset are graphs and graph-level embeddings are desired.
• Abstract（参考訳）: 脳内の細胞の種類とその機能を理解することは神経科学における重要な課題の1つである。 大規模データセットの出現は、細胞型分類に偏りのない定量的なアプローチの必要性をもたらした。 ニューロンの3次元形態の低次元表現を学習するための純粋データ駆動アプローチであるgraphdinoを提案する。 GraphDINOは,変圧器モデルを用いた自己教師付き学習を利用した空間グラフの新しいグラフ表現学習法である。 ノード間の注意に基づくグローバルインタラクションと古典的なグラフ畳み込み処理をスムーズに補間する。 本手法は,手動の特徴に基づく分類に匹敵する形態学的細胞型クラスタリングを実現し,二つの異なる種と皮質領域における専門家ラベル細胞型との良好な対応を示す。 本手法は,データセット中のサンプルがグラフであり,グラフレベルの埋め込みが望まれる設定において,神経科学を超えて適用可能である。

関連論文リスト

• Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
  大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。 自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-11-26T10:33:36Z)
• NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
  グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。 行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-09T19:10:16Z)
• Graph Neural Operators for Classification of Spatial Transcriptomics Data [1.408706290287121]
  マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。 グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
  論文  参考訳（メタデータ） (2023-02-01T18:32:06Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• Neuroplastic graph attention networks for nuclei segmentation in histopathology images [17.30043617044508]
  細胞核のセマンティックセグメンテーションのための新しいアーキテクチャを提案する。 このアーキテクチャは、新しい神経可塑性グラフアテンションネットワークで構成されている。 実験的な評価では、我々のフレームワークは最先端のニューラルネットワークのアンサンブルよりも優れています。
  論文  参考訳（メタデータ） (2022-01-10T22:19:14Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning and Neuroscience (VesselGraph) [3.846749674808336]
  本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。 我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。 我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
  論文  参考訳（メタデータ） (2021-08-30T13:40:48Z)

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。