Fugu-MT 論文翻訳(概要): BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck

論文の概要: BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck

arxiv url: http://arxiv.org/abs/2205.03612v2
Date: Tue, 30 May 2023 02:58:06 GMT
ステータス: 処理完了
システム内更新日: 2023-06-01 03:05:07.583856
Title: BrainIB: Interpretable Brain Network-based Psychiatric Diagnosis with Graph Information Bottleneck
Title（参考訳）: BrainIB:グラフ情報付き脳ネットワークを用いた精神科診断
Authors: Kaizhong Zheng, Shujian Yu, Baojuan Li, Robert Jenssen, and Badong Chen
Abstract要約: 機能的磁気共鳴画像(fMRI)解析のための新しいグラフニューラルネットワーク(GNN)フレームワークBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、目に見えないデータにうまく一般化することができる。我々は2つのマルチサイト大規模データセット上での8つの一般的な脳ネットワーク分類手法に対するBrainIBの性能評価を行った。
参考スコア（独自算出の注目度）: 35.754092850773944
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developing a new diagnostic models based on the underlying biological mechanisms rather than subjective symptoms for psychiatric disorders is an emerging consensus. Recently, machine learning-based classifiers using functional connectivity (FC) for psychiatric disorders and healthy controls are developed to identify brain markers. However, existing machine learningbased diagnostic models are prone to over-fitting (due to insufficient training samples) and perform poorly in new test environment. Furthermore, it is difficult to obtain explainable and reliable brain biomarkers elucidating the underlying diagnostic decisions. These issues hinder their possible clinical applications. In this work, we propose BrainIB, a new graph neural network (GNN) framework to analyze functional magnetic resonance images (fMRI), by leveraging the famed Information Bottleneck (IB) principle. BrainIB is able to identify the most informative edges in the brain (i.e., subgraph) and generalizes well to unseen data. We evaluate the performance of BrainIB against 8 popular brain network classification methods on two multi-site, largescale datasets and observe that our BrainIB always achieves the highest diagnosis accuracy. It also discovers the subgraph biomarkers which are consistent to clinical and neuroimaging findings.
Abstract（参考訳）: 精神疾患の主観的症状ではなく、基礎となる生物学的メカニズムに基づく新しい診断モデルの開発は、新たなコンセンサスである。近年,脳マーカーを識別するために,機能的接続(fc)を用いた精神疾患と健康管理のための機械学習に基づく分類器が開発されている。しかし、既存の機械学習ベースの診断モデルは(トレーニングサンプルが不十分なため)過度に適合する傾向があり、新しいテスト環境では不十分である。さらに、基礎となる診断決定を解明する説明可能で信頼性の高い脳バイオマーカーを得ることが困難である。これらの問題は臨床応用を妨げている。本研究では,高名なInformation Bottleneck(IB)の原理を利用して,機能的磁気共鳴画像(fMRI)を解析するための新しいグラフニューラルネットワーク(GNN)フレームワークであるBrainIBを提案する。 BrainIBは、脳内の最も情報に富むエッジ(つまり、部分グラフ)を識別し、見えないデータにうまく一般化することができる。我々は,2つのマルチサイト大規模データセットにおいて,BrainIBを8つの一般的な脳ネットワーク分類法と比較し,BrainIBが常に最も高い診断精度を達成することを観察した。また、臨床および神経画像所見と一致したサブグラフバイオマーカーも発見する。

関連論文リスト

Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文参考訳（メタデータ） (2024-04-30T10:53:30Z)
GCAN: Generative Counterfactual Attention-guided Network for Explainable Cognitive Decline Diagnostics based on fMRI Functional Connectivity [1.3426127666129704]
軽度認知障害 (MCI) と主観的認知低下 (SCD) の fMRI 機能接続 (FC) による診断が盛んである。ほとんどのFCベースの診断モデルは、カジュアルな推論を欠いたブラックボックスであるため、認知低下のFCベースの神経バイオマーカーに関する知識にはほとんど寄与しない。本稿では,認知低下関連脳領域の認識に反実的推論を導入するGCAN(Generative counterfactual attention-guided Network)を提案する。
論文参考訳（メタデータ） (2024-03-04T06:24:24Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文参考訳（メタデータ） (2022-10-08T12:14:33Z)
BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文参考訳（メタデータ） (2022-08-05T07:54:10Z)
Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文参考訳（メタデータ） (2022-06-30T08:02:05Z)
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)
Visual Explanation for Identification of the Brain Bases for Dyslexia on fMRI Data [13.701992590330395]
ネットワーク可視化技術を用いて、高レベルの特徴を学習するために必要な畳み込みニューラルネットワーク層において、分類された条件に対する専門家が支援する洞察に意味のあるイメージを提供することができることを示す。以上の結果から,脳画像のみによる発達障害の正確な分類だけでなく,同時代の神経科学的知識と一致する特徴の自動可視化も可能となった。
論文参考訳（メタデータ） (2020-07-17T22:11:30Z)

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。