Fugu-MT 論文翻訳(概要): FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation

論文の概要: FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation

arxiv url: http://arxiv.org/abs/2205.12465v1
Date: Wed, 25 May 2022 03:26:50 GMT
ステータス: 処理完了
システム内更新日: 2022-05-26 16:00:39.396092
Title: FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation
Title（参考訳）: FBNETGEN:機能的脳ネットワーク生成によるタスク対応GNNベースのfMRI解析
Authors: Xuan Kan and Hejie Cui and Joshua Lukemire and Ying Guo and Carl Yang
Abstract要約: 我々は,脳深部ネットワーク生成によるタスク認識・解釈可能なfMRI解析フレームワークFBNETGENを開発した。このプロセスとともに、重要な新しいコンポーネントは、生の時系列機能をタスク指向の脳ネットワークに変換することを学ぶグラフジェネレータである。学習可能なグラフはまた、予測関連脳領域を強調することで独自の解釈を提供する。
参考スコア（独自算出の注目度）: 11.434951542977515
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Functional magnetic resonance imaging (fMRI) is one of the most common imaging modalities to investigate brain functions. Recent studies in neuroscience stress the great potential of functional brain networks constructed from fMRI data for clinical predictions. Traditional functional brain networks, however, are noisy and unaware of downstream prediction tasks, while also incompatible with the deep graph neural network (GNN) models. In order to fully unleash the power of GNNs in network-based fMRI analysis, we develop FBNETGEN, a task-aware and interpretable fMRI analysis framework via deep brain network generation. In particular, we formulate (1) prominent region of interest (ROI) features extraction, (2) brain networks generation, and (3) clinical predictions with GNNs, in an end-to-end trainable model under the guidance of particular prediction tasks. Along with the process, the key novel component is the graph generator which learns to transform raw time-series features into task-oriented brain networks. Our learnable graphs also provide unique interpretations by highlighting prediction-related brain regions. Comprehensive experiments on two datasets, i.e., the recently released and currently largest publicly available fMRI dataset Adolescent Brain Cognitive Development (ABCD), and the widely-used fMRI dataset PNC, prove the superior effectiveness and interpretability of FBNETGEN. The implementation is available at https://github.com/Wayfear/FBNETGEN.}
Abstract（参考訳）: 機能的磁気共鳴画像(fmri)は、脳の機能を調べる最も一般的な画像の1つである。神経科学の最近の研究は、臨床予測のためのfMRIデータから構築された機能的脳ネットワークの大きな可能性を強調している。しかし、従来の機能的脳ネットワークは、下流の予測タスクを知らないし、深層グラフニューラルネットワーク(GNN)モデルと互換性がない。ネットワークベースfMRI解析におけるGNNのパワーを完全に解き放つために,脳深部ネットワーク生成によるタスク認識・解釈可能なfMRI解析フレームワークFBNETGENを開発した。特に,(1)興味領域(ROI)の特徴抽出,(2)脳ネットワークの生成,(3)GNNによる臨床予測を,特定の予測タスクの指導の下でエンドツーエンドのトレーニング可能なモデルで定式化する。プロセスとともに、重要な新しいコンポーネントはグラフジェネレータで、生の時系列機能をタスク指向の脳ネットワークに変換することを学ぶ。学習可能なグラフはまた、予測関連脳領域を強調することで独自の解釈を提供する。 2つのデータセット、すなわち、最近リリースされ、現在最も多く公開されているfMRIデータセット Adolescent Brain Cognitive Development (ABCD) と、広く使用されているfMRIデータセット PNC に関する包括的な実験は、FBNETGENの優れた効果と解釈可能性を証明する。実装はhttps://github.com/Wayfear/FBNETGENで公開されている。 }

関連論文リスト

Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Contrastive Graph Pooling for Explainable Classification of Brain Networks [9.917580917431293]
機能的磁気共鳴イメージング(fMRI)は、神経活動を測定するために一般的に用いられる技術である。グラフとしてのfMRIデータの解析とグラフニューラルネットワーク(GNN)による特徴抽出我々は、fMRI特有の要件を満たす脳ネットワークにおいて、GNNをよりよく活用するためのContrastPoolを提案する。
論文参考訳（メタデータ） (2023-07-07T11:49:55Z)
Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-24T23:45:47Z)
PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。 PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
論文参考訳（メタデータ） (2023-05-20T21:07:47Z)
Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks [28.460737693330245]
我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
論文参考訳（メタデータ） (2022-11-01T03:59:54Z)
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)
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)
Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文参考訳（メタデータ） (2022-03-18T07:05:27Z)
Effective and Interpretable fMRI Analysis via Functional Brain Network Generation [8.704964543257246]
我々は、FMRIの特徴を抽出し、脳ネットワークを生成し、GNNで予測するエンドツーエンドのトレーニング可能なパイプラインを開発した。 PNC fMRIデータに対する予備実験は、我々のフレームワークの優れた有効性と独特な解釈可能性を示している。
論文参考訳（メタデータ） (2021-07-23T14:04:59Z)
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。