論文の概要: DBGSL: Dynamic Brain Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2209.13513v1
• Date: Tue, 27 Sep 2022 16:32:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 15:06:22.674699
• Title: DBGSL: Dynamic Brain Graph Structure Learning
• Title（参考訳）: DBGSL: 動的脳グラフ構造学習
• Authors: Alexander Campbell, Antonio Giuliano Zippo, Luca Passamonti, Nicola Toschi, Pietro Lio
• Abstract要約: 脳グラフの表現を学習するための動的脳グラフ構造学習(DBGSL)を提案する。 DBGSLは、脳領域埋め込みに適用された空間的時間的注意を通して、fMRIの時系列から動的グラフを学習する。 大きな休息状態とジェンダー分類のためのタスクfMRIデータセットの実験は、DBGSLが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 58.94034282469377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional connectivity (FC) between regions of the brain is commonly estimated through statistical dependency measures applied to functional magnetic resonance imaging (fMRI) data. The resulting functional connectivity matrix (FCM) is often taken to represent the adjacency matrix of a brain graph. Recently, graph neural networks (GNNs) have been successfully applied to FCMs to learn brain graph representations. A common limitation of existing GNN approaches, however, is that they require the graph adjacency matrix to be known prior to model training. As such, it is implicitly assumed the ground-truth dependency structure of the data is known. Unfortunately, for fMRI this is not the case as the choice of which statistical measure best represents the dependency structure of the data is non-trivial. Also, most GNN applications to fMRI assume FC is static over time, which is at odds with neuroscientific evidence that functional brain networks are time-varying and dynamic. These compounded issues can have a detrimental effect on the capacity of GNNs to learn representations of brain graphs. As a solution, we propose Dynamic Brain Graph Structure Learning (DBGSL), a supervised method for learning the optimal time-varying dependency structure of fMRI data. Specifically, DBGSL learns a dynamic graph from fMRI timeseries via spatial-temporal attention applied to brain region embeddings. The resulting graph is then fed to a spatial-temporal GNN to learn a graph representation for classification. Experiments on large resting-state as well as task fMRI datasets for the task of gender classification demonstrate that DBGSL achieves state-of-the-art performance. Moreover, analysis of the learnt dynamic graphs highlights prediction-related brain regions which align with findings from existing neuroscience literature.
• Abstract（参考訳）: 脳の領域間の機能的接続(FC)は、機能的磁気共鳴画像(fMRI)データに適用される統計的依存度によって推定される。 結果として生じる機能的接続行列(FCM)は、しばしば脳グラフの隣接行列を表す。 近年、グラフニューラルネットワーク(GNN)がFCMに適用され、脳グラフ表現の学習に成功している。 しかし、既存のGNNアプローチの一般的な制限は、モデルトレーニングの前にグラフ隣接行列を知っておく必要があることである。 そのため、データの基本構造が知られていることを暗黙的に仮定する。 残念なことに、fMRIでは、データの依存関係構造を最もよく表す統計測度の選択は自明ではないため、そうではない。 また、fmriへのほとんどのgnnアプリケーションは、fcが時間とともに静的であると仮定しており、機能的脳ネットワークが時間的かつ動的であるという神経科学的証拠とは相反する。 これらの複合問題は、脳グラフの表現を学習するGNNの能力に有害な影響を与える可能性がある。 そこで本研究では,fMRIデータの最適時間変化依存構造を学習するための教師付き手法である動的脳グラフ構造学習(DBGSL)を提案する。 特に、DBGSLは、脳領域埋め込みに適用された空間的時間的注意を通して、fMRIの時系列から動的グラフを学習する。 得られたグラフは空間時間GNNに送られ、分類のためのグラフ表現を学ぶ。 大きな休息状態とジェンダー分類のためのタスクfMRIデータセットの実験は、DBGSLが最先端のパフォーマンスを達成することを示す。 さらに、学習動的グラフの分析は、既存の神経科学文献から得られた知見と一致した予測関連脳領域を強調する。

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)
• 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)
• Benchmarking Graph Neural Networks for FMRI analysis [0.0]
  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から学習するための強力なツールとして登場した。 うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。 機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
  論文  参考訳（メタデータ） (2022-11-16T14:16:54Z)
• 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)
• FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation [11.434951542977515]
  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。
  論文  参考訳（メタデータ） (2022-05-25T03:26:50Z)
• Aiding Medical Diagnosis Through the Application of Graph Neural Networks to Functional MRI Scans [0.0]
  グラフニューラルネットワーク(GNN)は、生物学的データから予測を生成する強力なツールであることが示されている。 本稿では,ノードやエッジを含むグラフとして静止状態fMRIデータを表現するための新しい手法を提案する。 我々は、GNNが人の病気や性別を予測できることを示した。
  論文  参考訳（メタデータ） (2021-12-01T14:10:52Z)
• 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)
• Graph Structure of Neural Networks [104.33754950606298]
  ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。 リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。 トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
  論文  参考訳（メタデータ） (2020-07-13T17:59:31Z)
• 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。