論文の概要: Deep Cross-Modality and Resolution Graph Integration for Universal Brain Connectivity Mapping and Augmentation

• arxiv url: http://arxiv.org/abs/2209.13529v1
• Date: Tue, 13 Sep 2022 14:04:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:49:38.693831
• Title: Deep Cross-Modality and Resolution Graph Integration for Universal Brain Connectivity Mapping and Augmentation
• Title（参考訳）: ユニバーサル脳結合性マッピングと拡張のためのディープクロスモーダルとレゾリューショングラフの統合
• Authors: Ece Cinar, Sinem Elif Haseki, Alaa Bessadok and Islem Rekik
• Abstract要約: コネクショナル脳テンプレート(コネクショナル脳テンプレート、CBT)は、与えられた脳コネクトームの個体全体の共有形質をキャプチャする。 本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする、最初のマルチモーダルマルチレゾリューショングラフ統合フレームワークを提案する。 提案手法は, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The connectional brain template (CBT) captures the shared traits across all individuals of a given population of brain connectomes, thereby acting as a fingerprint. Estimating a CBT from a population where brain graphs are derived from diverse neuroimaging modalities (e.g., functional and structural) and at different resolutions (i.e., number of nodes) remains a formidable challenge to solve. Such network integration task allows for learning a rich and universal representation of the brain connectivity across varying modalities and resolutions. The resulting CBT can be substantially used to generate entirely new multimodal brain connectomes, which can boost the learning of the downs-stream tasks such as brain state classification. Here, we propose the Multimodal Multiresolution Brain Graph Integrator Network (i.e., M2GraphIntegrator), the first multimodal multiresolution graph integration framework that maps a given connectomic population into a well centered CBT. M2GraphIntegrator first unifies brain graph resolutions by utilizing resolution-specific graph autoencoders. Next, it integrates the resulting fixed-size brain graphs into a universal CBT lying at the center of its population. To preserve the population diversity, we further design a novel clustering-based training sample selection strategy which leverages the most heterogeneous training samples. To ensure the biological soundness of the learned CBT, we propose a topological loss that minimizes the topological gap between the ground-truth brain graphs and the learned CBT. Our experiments show that from a single CBT, one can generate realistic connectomic datasets including brain graphs of varying resolutions and modalities. We further demonstrate that our framework significantly outperforms benchmarks in reconstruction quality, augmentation task, centeredness and topological soundness.
• Abstract（参考訳）: 接続型脳テンプレート(cbt)は、特定の脳コネクトームの集団の全個体間で共有された特徴をキャプチャし、指紋として機能する。 脳グラフが様々な神経画像モダリティ(例えば、機能的および構造的)と異なる解像度(例えば、ノード数)から導出される集団からcbtを推定することは、解決すべき課題である。 このようなネットワーク統合タスクは、様々なモダリティと解像度にわたる脳接続のリッチで普遍的な表現を学ぶことができる。 結果として生じるCBTは、完全に新しいマルチモーダル脳コネクトームを生成するために実質的に使用することができ、脳状態分類のようなダウンストリームタスクの学習を促進することができる。 本稿では、与えられたコネクトロミック人口をよく中心のCBTにマッピングする最初のマルチモーダル多分解能グラフ統合フレームワークであるマルチモーダル多分解能脳グラフインテグレータネットワーク(M2GraphIntegrator)を提案する。 M2GraphIntegratorはまず、分解能固有のグラフオートエンコーダを利用して、脳グラフの解像度を統一する。 次に、結果として得られる固定サイズの脳グラフを、人口の中心に位置する普遍的なCBTに統合する。 人口多様性を保ちつつ、最も異種なトレーニングサンプルを活用するクラスタリングベースのトレーニングサンプル選択戦略を更に設計する。 学習したCBTの生物学的健全性を確保するため,地中脳グラフと学習したCBTとの間のトポロジ的ギャップを最小限に抑えるトポロジ的損失を提案する。 我々の実験は、単一のCBTから、様々な解像度とモダリティの脳グラフを含む現実的なコネクトロミックデータセットを生成することができることを示した。 さらに, このフレームワークは, 復元品質, 拡張タスク, 中心性, トポロジカルな音質のベンチマークを著しく上回ることを示す。

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)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Connectional-Style-Guided Contextual Representation Learning for Brain Disease Diagnosis [12.172262618438173]
  本研究では,脳の固有パターンを捉えるために,接続型文脈表現学習モデル(CS-CRL)を提案する。 CS-CRLは6つのデータセットと3つの疾患にまたがる複数の脳疾患診断タスクにおいて優れた精度を達成する。
  論文  参考訳（メタデータ） (2023-06-08T15:39:27Z)
• 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)
• 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)
• Comparative Survey of Multigraph Integration Methods for Holistic Brain Connectivity Mapping [0.0]
  我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。 ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T13:34:34Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Recurrent Multigraph Integrator Network for Predicting the Evolution of Population-Driven Brain Connectivity Templates [0.0]
  それぞれのグラフは、関心の対の脳領域(ROI)の間の特定の関係を定量化する。 我々のReMI-Netは、各CBTノードの隠れ状態埋め込みを学習するためにクロスノードメッセージパスを使用して、グラフ畳み込み層を持つ繰り返しニューラルネットワークブロックで構成されています。 我々は、学習した隠れ状態グラフ表現からCBT隣接行列を導出する。
  論文  参考訳（メタデータ） (2021-10-06T10:00:05Z)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  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を解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)
• Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating Connectional Brain Templates [0.0]
  接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。 Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。 DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
  論文  参考訳（メタデータ） (2020-12-28T08:01:49Z)

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。