論文の概要: Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model

• arxiv url: http://arxiv.org/abs/2207.07650v1
• Date: Thu, 14 Jul 2022 20:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 07:28:00.568573
• Title: Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model
• Title（参考訳）: 階層型グラフポーリングモデルによるコントラスト脳ネットワーク学習
• Authors: Haoteng Tang, Guixiang Ma, Lei Guo, Xiyao Fu, Heng Huang, Liang Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.29487107585665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently brain networks have been widely adopted to study brain dynamics, brain development and brain diseases. Graph representation learning techniques on brain functional networks can facilitate the discovery of novel biomarkers for clinical phenotypes and neurodegenerative diseases. However, current graph learning techniques have several issues on brain network mining. Firstly, most current graph learning models are designed for unsigned graph, which hinders the analysis of many signed network data (e.g., brain functional networks). Meanwhile, the insufficiency of brain network data limits the model performance on clinical phenotypes predictions. Moreover, few of current graph learning model is interpretable, which may not be capable to provide biological insights for model outcomes. Here, we propose an interpretable hierarchical signed graph representation learning model to extract graph-level representations from brain functional networks, which can be used for different prediction tasks. In order to further improve the model performance, we also propose a new strategy to augment functional brain network data for contrastive learning. We evaluate this framework on different classification and regression tasks using the data from HCP and OASIS. Our results from extensive experiments demonstrate the superiority of the proposed model compared to several state-of-the-art techniques. Additionally, we use graph saliency maps, derived from these prediction tasks, to demonstrate detection and interpretation of phenotypic biomarkers.
• Abstract（参考訳）: 近年、脳ネットワークは脳のダイナミクス、脳の発達、脳疾患の研究に広く採用されている。 脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型と神経変性疾患の新しいバイオマーカーの発見を促進する。 しかし、現在のグラフ学習技術は、脳ネットワークのマイニングにいくつかの問題がある。 まず、現在のグラフ学習モデルは符号なしグラフのために設計されており、多くの符号付きネットワークデータ(例えば脳機能ネットワーク)の分析を妨げる。 一方、脳ネットワークデータの不十分さは、臨床表現型予測のモデル性能を制限する。 さらに、現在のグラフ学習モデルのほとんどが解釈可能であり、モデルの結果に対する生物学的洞察を提供することができない可能性がある。 本稿では,様々な予測タスクに使用できる脳機能ネットワークからグラフレベル表現を抽出するための,解釈可能な階層的グラフ表現学習モデルを提案する。 さらに,モデルの性能をさらに向上させるため,機能的脳ネットワークデータによるコントラスト学習を増強する新しい戦略を提案する。 hcp と oasis のデータを用いて, 異なる分類および回帰タスクに関するこのフレームワークを評価した。 実験結果から,提案手法がいくつかの最先端技術よりも優れていることを示す。 さらに,これらの予測タスクから得られたグラフ塩分マップを用いて,表現型バイオマーカーの検出と解釈を行う。

関連論文リスト

• Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
  接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。 本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T17:28:38Z)
• 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)
• HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification [1.7495515703051119]
  上記の課題に対処するために設計された最初のモデルである階層型動的グラフ表現学習(HDGL)モデルを提案する。 ABIDEおよびADHD-200データセットを用いて提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-11-06T06:29:23Z)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis [27.23929515170454]
  本稿ではテンプレート誘発脳グラフ学習(TiBGL)と呼ばれる新しい脳グラフ学習フレームワークを提案する。 TiBGLには識別能力と解釈能力がある。 3つの実世界のデータセットによる実験結果から,提案したTiBGLは,9つの最先端手法と比較して優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-14T15:17:42Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning and Neuroscience (VesselGraph) [3.846749674808336]
  本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。 我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。 我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
  論文  参考訳（メタデータ） (2021-08-30T13:40:48Z)

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。