論文の概要: GATE: Graph CCA for Temporal SElf-supervised Learning for
Label-efficient fMRI Analysis
- arxiv url: http://arxiv.org/abs/2203.09034v1
- Date: Thu, 17 Mar 2022 02:23:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 15:54:22.610138
- Title: GATE: Graph CCA for Temporal SElf-supervised Learning for
Label-efficient fMRI Analysis
- Title（参考訳）: ラベル効率fMRI解析のための時間自己教師型学習のためのグラフCCA
- Authors: Liang Peng, Nan Wang, Jie Xu, Xiaofeng Zhu, and Xiaoxiao Li
- Abstract要約: 人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。
本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。
本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
- 参考スコア（独自算出の注目度）: 25.4835612758922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we focus on the challenging task, neuro-disease classification,
using functional magnetic resonance imaging (fMRI). In population graph-based
disease analysis, graph convolutional neural networks (GCNs) have achieved
remarkable success. However, these achievements are inseparable from abundant
labeled data and sensitive to spurious signals. To improve fMRI representation
learning and classification under a label-efficient setting, we propose a novel
and theory-driven self-supervised learning (SSL) framework on GCNs, namely
Graph CCA for Temporal self-supervised learning on fMRI analysis GATE.
Concretely, it is demanding to design a suitable and effective SSL strategy to
extract formation and robust features for fMRI. To this end, we investigate
several new graph augmentation strategies from fMRI dynamic functional
connectives (FC) for SSL training. Further, we leverage canonical-correlation
analysis (CCA) on different temporal embeddings and present the theoretical
implications. Consequently, this yields a novel two-step GCN learning procedure
comprised of (i) SSL on an unlabeled fMRI population graph and (ii) fine-tuning
on a small labeled fMRI dataset for a classification task. Our method is tested
on two independent fMRI datasets, demonstrating superior performance on autism
and dementia diagnosis.
- Abstract（参考訳）: 本研究では,機能的磁気共鳴画像(fMRI)を用いた脳神経障害分類の課題に焦点をあてる。
人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。
しかし、これらの成果は豊富なラベル付きデータと区別できず、スプリアス信号に敏感である。
ラベル効率の高い環境下でのfMRI表現学習と分類を改善するために,GCN上の新しい理論駆動型自己教師学習(SSL)フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。
具体的には、fMRIの生成とロバストな特徴を抽出するために、適切な効果的なSSL戦略を設計する必要がある。
そこで本研究では, SSL トレーニングのための fMRI dynamic functional connectives (FC) のグラフ拡張戦略について検討する。
さらに, 時間的埋め込みに標準相関解析(CCA)を適用し, 理論的意義を示す。
これにより、新しい2段階のGCN学習手順が得られる。
(i)未ラベルfMRI人口グラフ上のSSL
(II)分類タスクのための小さなラベル付きfMRIデータセットの微調整。
本手法は2つの独立したfMRIデータセットを用いて,自閉症と認知症診断における優れた性能を示す。
関連論文リスト
- Graph-level Protein Representation Learning by Structure Knowledge
Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。
本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-05T09:05:33Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Learning Sequential Information in Task-based fMRI for Synthetic Data
Augmentation [10.629487323161323]
本稿では、下流学習における強化トレーニングデータセットの作成に使用できる合成fMRIシーケンスの生成手法を提案する。
合成画像は、可視化や自閉症スペクトラム障害(ASD)分類タスクを含む複数の視点から評価される。
論文 参考訳（メタデータ） (2023-08-29T18:36:21Z) - SF2Former: Amyotrophic Lateral Sclerosis Identification From
Multi-center MRI Data Using Spatial and Frequency Fusion Transformer [3.408266725482757]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、運動ニューロン変性を伴う複雑な神経変性疾患である。
ディープラーニングは、コンピュータビジョンにおける機械学習プログラムの傑出したクラスになった。
本研究では、視覚変換器アーキテクチャのパワーを活用してALS対象と制御群を区別するフレームワークであるSF2Formerを紹介する。
論文 参考訳（メタデータ） (2023-02-21T18:16:20Z) - Spatial Temporal Graph Convolution with Graph Structure Self-learning
for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。
The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文 参考訳（メタデータ） (2022-11-11T12:29:00Z) - 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) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳（メタデータ） (2020-03-24T01:56:50Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。