論文の概要: Comparative Survey of Multigraph Integration Methods for Holistic Brain
Connectivity Mapping
- arxiv url: http://arxiv.org/abs/2204.05110v1
- Date: Tue, 5 Apr 2022 13:34:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-17 06:41:20.129928
- Title: Comparative Survey of Multigraph Integration Methods for Holistic Brain
Connectivity Mapping
- Title(参考訳): 総合的脳接続マッピングのためのマルチグラフ統合法の比較調査
- Authors: Nada Chaari and Hatice Camgoz Akdag and Islem Rekik
- Abstract要約: 我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。
ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
- 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: One of the greatest scientific challenges in network neuroscience is to
create a representative map of a population of heterogeneous brain networks,
which acts as a connectional fingerprint. The connectional brain template
(CBT), also named network atlas, presents a powerful tool for capturing the
most representative and discriminative traits of a given population while
preserving its topological patterns. The idea of a CBT is to integrate a
population of heterogeneous brain connectivity networks, derived from different
neuroimaging modalities or brain views (e.g., structural and functional), into
a unified holistic representation. Here we review current state-of-the-art
methods designed to estimate well-centered and representative CBT for
populations of single-view and multi-view brain networks. We start by reviewing
each CBT learning method, then we introduce the evaluation measures to compare
CBT representativeness of populations generated by single-view and multigraph
integration methods, separately, based on the following criteria: centeredness,
biomarker-reproducibility, node-level similarity, global-level similarity, and
distance-based similarity. We demonstrate that the deep graph normalizer (DGN)
method significantly outperforms other multi-graph and all single-view
integration methods for estimating CBTs using a variety of healthy and
disordered datasets in terms of centeredness, reproducibility (i.e.,
graph-derived biomarkers reproducibility that disentangle the typical from the
atypical connectivity variability), and preserving the topological traits at
both local and global graph-levels.
- Abstract(参考訳): ネットワーク神経科学における最大の科学的課題の1つは、接続指紋として機能する異種脳ネットワークの人口の代表マップを作成することである。
ネットワークアトラスとも呼ばれる接続脳テンプレート(CBT)は、そのトポロジカルなパターンを保ちながら、与えられた個体群の最も代表的で差別的な特徴を捉える強力なツールを提供する。
CBTの考え方は、様々な神経画像モダリティや脳のビュー(例えば構造と機能)から派生した、異種脳接続ネットワークの集団を統一された全体的表現に統合することである。
本稿では,一視点脳ネットワークと多視点脳ネットワークの個体群について,良心的かつ代表的cbtを推定する手法について概説する。
まず,各cbt学習法を概観し,単視点および多面的統合法で生成された集団のcbt代表性を比較する評価手法を,中心性,バイオマーカー再現性,ノードレベルの類似性,グローバルレベルの類似性,距離ベースの類似性という基準に基づいて別々に導入する。
深層グラフ正規化器 (dgn) 法は, 重心性, 再現性 (グラフ由来バイオマーカーの再現性) の観点から, cbt 推定のための他の多面的および全単視点統合法を著しく上回り, 局所的およびグローバルグラフレベルで位相的特徴を保存できることを実証した。
関連論文リスト
- GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ
我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文 参考訳(メタデータ) (2024-07-08T01:06:13Z) - 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) - BDEC:Brain Deep Embedded Clustering model [10.560936895047321]
ディープラーニングのロバストなデータ適合能力を生かした,BDECと呼ばれる仮定フリーモデルを開発した。
9つの一般的な脳のパーセレーション法と比較することにより,BDECモデルは非常に優れた性能を示す。
これらの結果は,BDECのパーセレーションが脳の機能的特徴を捉え,将来的なボクセル脳ネットワーク解析の可能性を示唆している。
論文 参考訳(メタデータ) (2023-09-12T02:42:11Z) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-07-09T14:43:40Z) - 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) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - Deep Cross-Modality and Resolution Graph Integration for Universal Brain
Connectivity Mapping and Augmentation [0.0]
コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。
本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。
提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
論文 参考訳(メタデータ) (2022-09-13T14:04:12Z) - 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) - Recurrent Multigraph Integrator Network for Predicting the Evolution of
Population-Driven Brain Connectivity Templates [0.0]
それぞれのグラフは、関心の対の脳領域(ROI)の間の特定の関係を定量化する。
我々のReMI-Netは、各CBTノードの隠れ状態埋め込みを学習するためにクロスノードメッセージパスを使用して、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されています。
我々は、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
論文 参考訳(メタデータ) (2021-10-06T10:00:05Z) - Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating
Connectional Brain Templates [0.0]
接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。
Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。
DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
論文 参考訳(メタデータ) (2020-12-28T08:01:49Z)
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。