論文の概要: Multi-modal Dynamic Graph Network: Coupling Structural and Functional
Connectome for Disease Diagnosis and Classification
- arxiv url: http://arxiv.org/abs/2210.13721v1
- Date: Tue, 25 Oct 2022 02:41:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 14:23:08.420636
- Title: Multi-modal Dynamic Graph Network: Coupling Structural and Functional
Connectome for Disease Diagnosis and Classification
- Title(参考訳): マルチモーダル動的グラフネットワーク : 疾患診断と分類のための構造的および機能的コネクトームの結合
- Authors: Yanwu Yang, Xutao Guo, Zhikai Chang, Chenfei Ye, Yang Xiang, Ting Ma
- Abstract要約: 構造的および機能的脳ネットワーク学習のためのマルチモーダル動的グラフ畳み込みネットワーク(MDGCN)を提案する。
本手法は,モーダル間表現のモデル化と動的グラフへの注意的多モデル関連付けの利点を生かした。
- 参考スコア(独自算出の注目度): 8.67028273829113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal neuroimaging technology has greatlly facilitated the efficiency
and diagnosis accuracy, which provides complementary information in discovering
objective disease biomarkers. Conventional deep learning methods, e.g.
convolutional neural networks, overlook relationships between nodes and fail to
capture topological properties in graphs. Graph neural networks have been
proven to be of great importance in modeling brain connectome networks and
relating disease-specific patterns. However, most existing graph methods
explicitly require known graph structures, which are not available in the
sophisticated brain system. Especially in heterogeneous multi-modal brain
networks, there exists a great challenge to model interactions among brain
regions in consideration of inter-modal dependencies. In this study, we propose
a Multi-modal Dynamic Graph Convolution Network (MDGCN) for structural and
functional brain network learning. Our method benefits from modeling
inter-modal representations and relating attentive multi-model associations
into dynamic graphs with a compositional correspondence matrix. Moreover, a
bilateral graph convolution layer is proposed to aggregate multi-modal
representations in terms of multi-modal associations. Extensive experiments on
three datasets demonstrate the superiority of our proposed method in terms of
disease classification, with the accuracy of 90.4%, 85.9% and 98.3% in
predicting Mild Cognitive Impairment (MCI), Parkinson's disease (PD), and
schizophrenia (SCHZ) respectively. Furthermore, our statistical evaluations on
the correspondence matrix exhibit a high correspondence with previous evidence
of biomarkers.
- Abstract(参考訳): マルチモーダルニューロイメージング技術は、客観的疾患バイオマーカーの発見に補完的な情報を提供するため、効率と診断精度を大幅に向上させた。
従来のディープラーニング手法、例えば畳み込みニューラルネットワークはノード間の関係を見落とし、グラフの位相特性を捉えない。
グラフニューラルネットワークは、脳コネクトームネットワークのモデル化と疾患特異的パターンの関連において、非常に重要であることが証明されている。
しかし、既存のグラフ手法の多くは、洗練された脳システムでは利用できない既知のグラフ構造を必要とする。
特に異種マルチモーダル脳ネットワークでは、モーダル間の依存関係を考慮して、脳領域間の相互作用をモデル化することが大きな課題である。
本研究では,構造的および機能的脳ネットワーク学習のためのマルチモーダル動的グラフ畳み込みネットワーク(MDGCN)を提案する。
本手法は,モーダル間表現のモデル化と,合成対応行列を用いた動的グラフへの注意的多モデル関連付けの利点である。
さらに,マルチモーダルアソシエーションの観点で多モーダル表現を集約するために,両側グラフ畳み込み層を提案する。
3つのデータセットの総合的な実験により, 乳児認知障害 (MCI) , パーキンソン病 (PD) および統合失調症 (SCHZ) の予測において, 90.4%, 85.9%, 98.3%の精度で本手法の優位性を示した。
さらに, 対応行列の統計的評価は, これまでのバイオマーカーの証拠と高い一致を示した。
関連論文リスト
- GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ
我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文 参考訳(メタデータ) (2024-07-08T01:06:13Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳(メタデータ) (2024-05-21T20:37:07Z) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳(メタデータ) (2023-11-13T14:36:29Z) - MaxCorrMGNN: A Multi-Graph Neural Network Framework for Generalized
Multimodal Fusion of Medical Data for Outcome Prediction [3.2889220522843625]
我々はMaxCorr MGNNと呼ばれる革新的な融合手法を開発し、患者内および患者間の非線形モダリティ相関をモデル化する。
次に,多層グラフにおけるタスクインフォームド推論のための汎用多層グラフニューラルネットワーク(MGNN)を初めて設計する。
我々は,本モデルを結核データセットにおける結果予測タスクとして評価し,最先端のニューラルネットワーク,グラフベース,従来の融合技術より一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-07-13T23:52:41Z) - Multi-modal Multi-kernel Graph Learning for Autism Prediction and Biomarker Discovery [41.90994949022173]
本稿では,マルチモーダル統合の過程におけるモダリティ間の負の影響を相殺し,グラフから異種情報を抽出する手法を提案する。
本手法は,Autism Brain Imaging Data Exchange (ABIDE) データセットを用いて評価し,最先端の手法よりも優れている。
また,自閉症に関連する差別的脳領域を本モデルにより同定し,自閉症の病態研究の指針を提供する。
論文 参考訳(メタデータ) (2023-03-03T07:09:17Z) - 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) - 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) - 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) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳(メタデータ) (2021-01-20T20:53:07Z) - Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。
MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
論文 参考訳(メタデータ) (2019-12-03T03:46:14Z)
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。