論文の概要: Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder

• arxiv url: http://arxiv.org/abs/2207.02328v1
• Date: Tue, 5 Jul 2022 21:39:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 14:17:38.771158
• Title: Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder
• Title（参考訳）: 関数制約構造グラフ変分オートエンコーダによる構造的および機能的コネクトームの統一埋め込み
• Authors: Carlo Amodeo, Igor Fortel, Olusola Ajilore, Liang Zhan, Alex Leow, Theja Tulabandhula
• Abstract要約: 機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。 これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
• 参考スコア（独自算出の注目度）: 2.8719792727222364
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph theoretical analyses have become standard tools in modeling functional and anatomical connectivity in the brain. With the advent of connectomics, the primary graphs or networks of interest are structural connectome (derived from DTI tractography) and functional connectome (derived from resting-state fMRI). However, most published connectome studies have focused on either structural or functional connectome, yet complementary information between them, when available in the same dataset, can be jointly leveraged to improve our understanding of the brain. To this end, we propose a function-constrained structural graph variational autoencoder (FCS-GVAE) capable of incorporating information from both functional and structural connectome in an unsupervised fashion. This leads to a joint low-dimensional embedding that establishes a unified spatial coordinate system for comparing across different subjects. We evaluate our approach using the publicly available OASIS-3 Alzheimer's disease (AD) dataset and show that a variational formulation is necessary to optimally encode functional brain dynamics. Further, the proposed joint embedding approach can more accurately distinguish different patient sub-populations than approaches that do not use complementary connectome information.
• Abstract（参考訳）: グラフ理論解析は脳の機能的および解剖学的接続をモデル化する標準的なツールとなっている。 コネクトミクスの出現に伴い、主要なグラフや関心のネットワークは構造コネクトーム(DTIトラクトグラフィーに由来する)と機能コネクトーム(静止状態fMRIに由来する)である。 しかし、ほとんどのコネクトーム研究は構造的または機能的なコネクトームに焦点を当てているが、同じデータセットで利用可能な場合、脳の理解を改善するために共同で活用することができる。 この目的のために,機能的および構造的コネクトームからの情報を教師なしで組み込むことができる機能制約構造グラフ変分オートエンコーダ (FCS-GVAE) を提案する。 これにより、異なる被写体を比較するための統一的な空間座標系を確立するジョイント低次元埋め込みが導かれる。 OASIS-3 Alzheimer's disease (AD) データセットを用いて本手法の評価を行い, 機能的脳動態を最適にエンコードするには, 変分定式化が必要であることを示す。 さらに, 補体コネクトーム情報を使用しない方法よりも, 患者サブポピュレーションの差異をより正確に識別することができる。

関連論文リスト

• Integrated Brain Connectivity Analysis with fMRI, DTI, and sMRI Powered by Interpretable Graph Neural Networks [17.063133885403154]
  我々は, 磁気共鳴イメージング, 拡散テンソルイメージング, 構造MRIを結合構造に統合した。 提案手法は,ニューラルネットワークの重み付けにマスキング戦略を導入し,マルチモーダル画像データの総合的アマルガメーションを容易にする。 このモデルは、ヒューマンコネクトームプロジェクト(Human Connectome Project)の開発研究に応用され、若年期のマルチモーダルイメージングと認知機能との関係を明らかにする。
  論文  参考訳（メタデータ） (2024-08-26T13:16:42Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• 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)
• Joint Graph Convolution for Analyzing Brain Structural and Functional Connectome [11.016035878136034]
  本稿では,脳領域間でネットワーク間エッジを付加することにより,個人の2つのネットワークを結合することを提案する。 ネットワーク間エッジの重みは学習可能であり、脳全体の非一様構造-機能結合強度を反映している。 青少年期におけるアルコール・神経発達に関する全国コンソーシアムの公開データセットから,662人の参加者の年齢と性別を予測するために共同GCNを適用した。
  論文  参考訳（メタデータ） (2022-10-27T23:43:34Z)
• 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)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
  神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。 構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-14T15:01:21Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。