論文の概要: Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network
- arxiv url: http://arxiv.org/abs/2210.05713v1
- Date: Sat, 8 Oct 2022 12:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 14:19:26.696424
- Title: Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network
- Title(参考訳): 時空間ピラミドグラフ畳み込みネットワークを用いた説明可能なfMRI脳デコーディング
- Authors: Ziyuan Ye, Youzhi Qu, Zhichao Liang, Mo Wang, Quanying Liu
- Abstract要約: 既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
- 参考スコア(独自算出の注目度): 0.8399688944263843
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain decoding, aiming to identify the brain states using neural activity, is
important for cognitive neuroscience and neural engineering. However, existing
machine learning methods for fMRI-based brain decoding either suffer from low
classification performance or poor explainability. Here, we address this issue
by proposing a biologically inspired architecture, Spatial Temporal-pyramid
Graph Convolutional Network (STpGCN), to capture the spatial-temporal graph
representation of functional brain activities. By designing multi-scale
spatial-temporal pathways and bottom-up pathways that mimic the information
process and temporal integration in the brain, STpGCN is capable of explicitly
utilizing the multi-scale temporal dependency of brain activities via graph,
thereby achieving high brain decoding performance. Additionally, we propose a
sensitivity analysis method called BrainNetX to better explain the decoding
results by automatically annotating task-related brain regions from the
brain-network standpoint. We conduct extensive experiments on fMRI data under
23 cognitive tasks from Human Connectome Project (HCP) S1200. The results show
that STpGCN significantly improves brain decoding performance compared to
competing baseline models; BrainNetX successfully annotates task-relevant brain
regions. Post hoc analysis based on these regions further validates that the
hierarchical structure in STpGCN significantly contributes to the
explainability, robustness and generalization of the model. Our methods not
only provide insights into information representation in the brain under
multiple cognitive tasks but also indicate a bright future for fMRI-based brain
decoding.
- Abstract(参考訳): 脳のデコーディングは、神経活動を用いて脳の状態を特定することを目的としており、認知神経科学と神経工学にとって重要である。
しかし、既存のfmriベースの脳デコードのための機械学習手法は、分類性能の低下や説明可能性の低下に苦しむ。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
情報処理と脳内時間統合を模倣する多スケールの時空間経路とボトムアップ経路を設計することにより、STpGCNはグラフを介して脳活動の多スケール時空間依存性を明示的に活用し、高い脳復号性能を達成することができる。
さらに,脳ネットワークの観点からタスク関連脳領域に自動アノテートすることにより,デコード結果を説明するbrainnetxと呼ばれる感度解析手法を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
その結果、STpGCNは、競合するベースラインモデルと比較して脳のデコード性能を著しく改善し、BrainNetXはタスク関連脳領域のアノテートに成功した。
これらの領域に基づくポストホック解析により、STpGCNの階層構造がモデルの説明可能性、堅牢性、一般化に大きく貢献することが示された。
複数の認知タスクにおける脳の情報表現の洞察を提供するだけでなく、fMRIに基づく脳のデコーディングの明るい未来を示す。
関連論文リスト
- BrainNetDiff: Generative AI Empowers Brain Network Generation via
Multimodal Diffusion Model [7.894526238189559]
我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。
健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
論文 参考訳(メタデータ) (2023-11-09T08:27:12Z) - Brain Networks and Intelligence: A Graph Neural Network Based Approach
to Resting State fMRI Data [2.2884306699784682]
本稿では,rsfMRIによる接続行列上のグラフニューラルネットワークを用いて,インテリジェンス(流動性,結晶化,全知能)を予測するBrainRGINという新しいモデリングアーキテクチャを提案する。
本手法では,脳のサブネットワーク組織の性質を反映するグラフ畳み込み層に,クラスタリングに基づく埋め込みとグラフ同型ネットワークを組み込む。
論文 参考訳(メタデータ) (2023-11-06T20:58:07Z) - Deep Neural Networks and Brain Alignment: Brain Encoding and Decoding
(Survey) [3.007588299126936]
脳はどのように異なる情報のモードを表現するのか?ユーザが何を考えているのかを自動的に理解するシステムを設計できるだろうか?
神経科学のコミュニティは、概念語、物語、写真、映画の受動的読み書き・視聴に関連する、いくつかの大きな認知神経科学データセットに貢献してきた。
これらのデータセットを使用した復号および符号化モデルも過去20年間に提案されている。
論文 参考訳(メタデータ) (2023-07-17T06:54:36Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - 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) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳(メタデータ) (2022-12-08T15:16:04Z) - 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) - 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) - Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph
Evaluation Trajectory [0.0]
脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。
最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。
本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
論文 参考訳(メタデータ) (2021-10-06T09:25:55Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳(メタデータ) (2020-05-22T14:29:51Z)
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。