論文の概要: Feature-selected Graph Spatial Attention Network for Addictive
Brain-Networks Identification
- arxiv url: http://arxiv.org/abs/2207.00583v2
- Date: Tue, 5 Jul 2022 08:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 11:40:46.795656
- Title: Feature-selected Graph Spatial Attention Network for Addictive
Brain-Networks Identification
- Title(参考訳): 予測脳ネットワーク同定のための特徴選択型グラフ空間注意ネットワーク
- Authors: Changwei Gong, Changhong Jing, Junren Pan, Shuqiang Wang
- Abstract要約: fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。
本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
- 参考スコア(独自算出の注目度): 4.224312918460521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional alterations in the relevant neural circuits occur from drug
addiction over a certain period. And these significant alterations are also
revealed by analyzing fMRI. However, because of fMRI's high dimensionality and
poor signal-to-noise ratio, it is challenging to encode efficient and robust
brain regional embeddings for both graph-level identification and region-level
biomarkers detection tasks between nicotine addiction (NA) and healthy control
(HC) groups. In this work, we represent the fMRI of the rat brain as a graph
with biological attributes and propose a novel feature-selected graph spatial
attention network(FGSAN) to extract the biomarkers of addiction and identify
from these brain networks. Specially, a graph spatial attention encoder is
employed to capture the features of spatiotemporal brain networks with spatial
information. The method simultaneously adopts a Bayesian feature selection
strategy to optimize the model and improve classification task by constraining
features. Experiments on an addiction-related neural imaging dataset show that
the proposed model can obtain superior performance and detect interpretable
biomarkers associated with addiction-relevant neural circuits.
- Abstract(参考訳): 関連する神経回路の機能的変化は、ある期間にわたって薬物依存から生じる。
また、fMRIを解析することで、これらの大きな変化が明らかになる。
しかし、fMRIの高次元比と低信号-雑音比のため、グラフレベルの識別と、ニコチン依存症(NA)と健康制御(HC)グループ間の領域レベルのバイオマーカー検出の両方において、効率的で堅牢な脳局所埋め込みを符号化することは困難である。
本研究では,ラット脳のfMRIを生物学的特性を持つグラフとして表現し,これらの脳ネットワークから中毒のバイオマーカーを抽出し同定するための特徴選択グラフ空間注意ネットワーク(FGSAN)を提案する。
特に,空間情報を用いた時空間脳ネットワークの特徴を捉えるために,グラフ空間注意エンコーダを用いる。
ベイズ特徴選択戦略を同時に採用し、モデルを最適化し、特徴を制約して分類タスクを改善する。
中毒関連ニューラルイメージングデータセットの実験により,提案モデルが優れた性能を示し,中毒関連ニューラルサーキットに関連する解釈可能なバイオマーカーを検出することができた。
関連論文リスト
- Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳(メタデータ) (2024-06-01T02:47:39Z) - CV-Attention UNet: Attention-based UNet for 3D Cerebrovascular Segmentation of Enhanced TOF-MRA Images [2.2265536092123006]
脳血管画像の正確な抽出にはCV-AttentionUNetと呼ばれる3次元脳血管注意UNet法を提案する。
低と高のセマンティクスを組み合わせるために,注意機構を適用した。
このアルゴリズムの新規性は、ラベル付きデータとラベルなしデータの両方でうまく機能する能力にあると考えています。
論文 参考訳(メタデータ) (2023-11-16T22:31:05Z) - 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) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳(メタデータ) (2022-07-14T20:03:52Z) - 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) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳(メタデータ) (2021-09-26T07:19:47Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-05-27T23:06:50Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z) - Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis [29.489129970039873]
健全な領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用することである。
本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。
本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
論文 参考訳(メタデータ) (2020-07-29T04:19:36Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z) - 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)
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。