論文の概要: Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2211.00261v1
• Date: Tue, 1 Nov 2022 03:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 12:57:50.731169
• Title: Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いたfMRI解析のためのタスク対応効果的な脳結合性学習
• Authors: Yue Yu, Xuan Kan, Hejie Cui, Ran Xu, Yujia Zheng, Xiangchen Song, Yanqiao Zhu, Kun Zhang, Razieh Nabi, Ying Guo, Chao Zhang, Carl Yang
• Abstract要約: 我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
• 参考スコア（独自算出の注目度）: 28.460737693330245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional magnetic resonance imaging (fMRI) has become one of the most common imaging modalities for brain function analysis. Recently, graph neural networks (GNN) have been adopted for fMRI analysis with superior performance. Unfortunately, traditional functional brain networks are mainly constructed based on similarities among region of interests (ROI), which are noisy and agnostic to the downstream prediction tasks and can lead to inferior results for GNN-based models. To better adapt GNNs for fMRI analysis, we propose TBDS, an end-to-end framework based on \underline{T}ask-aware \underline{B}rain connectivity \underline{D}AG (short for Directed Acyclic Graph) \underline{S}tructure generation for fMRI analysis. The key component of TBDS is the brain network generator which adopts a DAG learning approach to transform the raw time-series into task-aware brain connectivities. Besides, we design an additional contrastive regularization to inject task-specific knowledge during the brain network generation process. Comprehensive experiments on two fMRI datasets, namely Adolescent Brain Cognitive Development (ABCD) and Philadelphia Neuroimaging Cohort (PNC) datasets demonstrate the efficacy of TBDS. In addition, the generated brain networks also highlight the prediction-related brain regions and thus provide unique interpretations of the prediction results. Our implementation will be published to https://github.com/yueyu1030/TBDS upon acceptance.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、脳機能解析において最も一般的な画像モダリティの1つである。 近年,高性能なfMRI解析にグラフニューラルネットワーク(GNN)が採用されている。 残念ながら、従来の機能的脳ネットワークは主に関心領域(ROI)の類似性に基づいて構築されており、それは下流の予測タスクにうるさいし、GNNベースのモデルでは劣る結果をもたらす可能性がある。 本稿では,fMRI解析におけるGNNの適応性を向上するために,fMRI解析のためのTBDSを提案し,このフレームワークは,fMRI解析のためのエンディング・ツー・エンド・エンド・ツー・エンドフレームワークである,Shaunderline{T}ask-aware \underline{B}rain接続性を持つ。 TBDSの重要なコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 さらに、脳ネットワーク生成プロセス中にタスク固有の知識を注入するためのコントラスト正規化も設計する。 Adolescent Brain Cognitive Development (ABCD) と Philadelphia Neuroimaging Cohort (PNC) の2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示している。 さらに、生成された脳ネットワークは予測関連脳領域を強調し、予測結果のユニークな解釈を提供する。 私たちの実装は受け入れ次第https://github.com/yueyu1030/TBDSに公開します。

関連論文リスト

• PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
  臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。 PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
  論文  参考訳（メタデータ） (2023-05-20T21:07:47Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• 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)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  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。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• 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)
• 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)
• Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification [13.907981019956832]
  我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。 グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。 我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:12:39Z)
• Effective and Interpretable fMRI Analysis via Functional Brain Network Generation [8.704964543257246]
  我々は、FMRIの特徴を抽出し、脳ネットワークを生成し、GNNで予測するエンドツーエンドのトレーニング可能なパイプラインを開発した。 PNC fMRIデータに対する予備実験は、我々のフレームワークの優れた有効性と独特な解釈可能性を示している。
  論文  参考訳（メタデータ） (2021-07-23T14:04:59Z)
• 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)
• 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。