論文の概要: DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2209.13513v3
• Date: Sun, 9 Jul 2023 11:55:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 19:14:06.942566
• Title: DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning
• Title（参考訳）: DynDepNet:動的グラフ構造学習によるfMRIデータからの時間変化依存構造学習
• Authors: Alexander Campbell, Antonio Giuliano Zippo, Luca Passamonti, Nicola Toschi, Pietro Lio
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.94034282469377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have demonstrated success in learning representations of brain graphs derived from functional magnetic resonance imaging (fMRI) data. However, existing GNN methods assume brain graphs are static over time and the graph adjacency matrix is known prior to model training. These assumptions contradict evidence that brain graphs are time-varying with a connectivity structure that depends on the choice of functional connectivity measure. Incorrectly representing fMRI data with noisy brain graphs can adversely affect GNN performance. To address this, we propose DynDepNet, a novel method for learning the optimal time-varying dependency structure of fMRI data induced by downstream prediction tasks. Experiments on real-world fMRI datasets, for the task of sex classification, demonstrate that DynDepNet achieves state-of-the-art results, outperforming the best baseline in terms of accuracy by approximately 8 and 6 percentage points, respectively. Furthermore, analysis of the learned dynamic graphs reveals prediction-related brain regions consistent with existing neuroscience literature.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、機能的磁気共鳴画像(fMRI)データから得られる脳グラフの学習表現に成功している。 しかし、既存のGNN法では、脳グラフは時間とともに静的であると仮定し、グラフ隣接行列はモデルトレーニング前に知られている。 これらの仮定は、脳グラフが機能的接続尺度の選択に依存する接続構造を持つ時間変化である証拠と矛盾する。 ノイズの多い脳グラフでfMRIデータを誤って表現することは、GNNのパフォーマンスに悪影響を及ぼす可能性がある。 そこで我々は,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し、それぞれ8ポイントと6ポイントの精度で最高のベースラインを上回ります。 さらに、学習したダイナミックグラフの分析により、既存の神経科学文献と一致する予測関連脳領域が明らかになる。

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。