論文の概要: Contrastive Graph Learning for Population-based fMRI Classification

• arxiv url: http://arxiv.org/abs/2203.14044v1
• Date: Sat, 26 Mar 2022 10:56:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 01:28:43.714901
• Title: Contrastive Graph Learning for Population-based fMRI Classification
• Title（参考訳）: 人口ベースfMRI分類のためのコントラストグラフ学習
• Authors: Xuesong Wang, Lina Yao, Islem Rekik, Yu Zhang
• Abstract要約: 本稿では,FMRI分類のためのコントラッシブ・コネクティビティ・グラフ学習を提案する。 機能接続グラフの表現は、異種患者ペアに対して "repelled" される。 類似患者間の関連性を高める動的人口グラフを分類のために更新する。
• 参考スコア（独自算出の注目度）: 41.53362208428764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive self-supervised learning has recently benefited fMRI classification with inductive biases. Its weak label reliance prevents overfitting on small medical datasets and tackles the high intraclass variances. Nonetheless, existing contrastive methods generate resemblant pairs only on pixel-level features of 3D medical images, while the functional connectivity that reveals critical cognitive information is under-explored. Additionally, existing methods predict labels on individual contrastive representation without recognizing neighbouring information in the patient group, whereas interpatient contrast can act as a similarity measure suitable for population-based classification. We hereby proposed contrastive functional connectivity graph learning for population-based fMRI classification. Representations on the functional connectivity graphs are "repelled" for heterogeneous patient pairs meanwhile homogeneous pairs "attract" each other. Then a dynamic population graph that strengthens the connections between similar patients is updated for classification. Experiments on a multi-site dataset ADHD200 validate the superiority of the proposed method on various metrics. We initially visualize the population relationships and exploit potential subtypes.
• Abstract（参考訳）: 対照的な自己教師型学習は、帰納バイアスを伴うfMRI分類の恩恵を受けている。 その弱いラベル依存は、小さな医療データセットへの過剰フィットを防ぎ、高いクラス内ばらつきに取り組む。 それにもかかわらず、既存のコントラスト法は、3d医療画像のピクセルレベルの特徴のみに類似したペアを生成するが、重要な認知情報を示す機能的接続は未検討である。 さらに,患者集団の近隣情報を認識せずに,個々のコントラスト表現のラベルを予測し,患者間コントラストは集団分類に適した類似度尺度として機能する。 そこで我々は,FMRI分類のためのコントラスト関数接続グラフ学習を提案する。 機能接続グラフの表現は、異種患者ペアに対して「反発」される一方、同種患者ペアは互いに「引き合う」。 そして、類似した患者間の接続を強化する動的人口グラフを分類のために更新する。 マルチサイトデータセット adhd200 の実験により,提案手法の各種指標に対する優劣性が検証された。 まず、人口関係を視覚化し、潜在的なサブタイプを利用する。

関連論文リスト

• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• MedFACT: Modeling Medical Feature Correlations in Patient Health Representation Learning via Feature Clustering [20.68759679109556]
  本稿では,一般的な患者の健康表現学習フレームワークであるMedFACTを提案する。 本研究は, 時間的特徴パターンとカーネル法, グループ間の相関関係の強いクラスタ特徴の類似性を測定することで相関関係を推定する。 グラフ畳み込みネットワークを用いてグループワイドな特徴相互作用を行い、表現学習を改善する。
  論文  参考訳（メタデータ） (2022-04-21T10:27:24Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• MedAug: Contrastive learning leveraging patient metadata improves representations for chest X-ray interpretation [8.403653472706822]
  患者メタデータを用いて、異なる画像の視点からポジティブなペアを選択する手法を開発しています。 胸部X線解釈の正の対を選択するための戦略を比較検討し, 同一患者, 画像研究, 側方性などを検討した。 すべての側面で同じ研究から同じ患者からのイメージを使用することを含む私達の最もよい性能の肯定的な対の選択戦略は平均AUCの3.4%そして14.4%の性能の増加を達成します。
  論文  参考訳（メタデータ） (2021-02-21T18:39:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。