論文の概要: Population Template-Based Brain Graph Augmentation for Improving
One-Shot Learning Classification
- arxiv url: http://arxiv.org/abs/2212.07790v1
- Date: Wed, 14 Dec 2022 14:56:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 15:40:20.155302
- Title: Population Template-Based Brain Graph Augmentation for Improving
One-Shot Learning Classification
- Title（参考訳）: 集団テンプレートに基づく脳グラフ拡張によるワンショット学習分類の改善
- Authors: Oben \"Ozg\"ur, Arwa Rekik, Islem Rekik
- Abstract要約: ワンショット学習は、ディープラーニングの最も困難でトレンドになっている概念の1つだ。
提案手法をアルツハイマー病と脳コネクトームからなるAD/LMCIデータセット上でベンチマークした。
分類の結果は,1つのサンプルから得られた拡張データを導入した場合の精度が向上するだけでなく,他の指標よりもバランスの取れた結果が得られた。
- 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 challenges of collecting medical data on neurological disorder diagnosis
problems paved the way for learning methods with scarce number of samples. Due
to this reason, one-shot learning still remains one of the most challenging and
trending concepts of deep learning as it proposes to simulate the human-like
learning approach in classification problems. Previous studies have focused on
generating more accurate fingerprints of the population using graph neural
networks (GNNs) with connectomic brain graph data. Thereby, generated
population fingerprints named connectional brain template (CBTs) enabled
detecting discriminative bio-markers of the population on classification tasks.
However, the reverse problem of data augmentation from single graph data
representing brain connectivity has never been tackled before. In this paper,
we propose an augmentation pipeline in order to provide improved metrics on our
binary classification problem. Divergently from the previous studies, we
examine augmentation from a single population template by utilizing graph-based
generative adversarial network (gGAN) architecture for a classification
problem. We benchmarked our proposed solution on AD/LMCI dataset consisting of
brain connectomes with Alzheimer's Disease (AD) and Late Mild Cognitive
Impairment (LMCI). In order to evaluate our model's generalizability, we used
cross-validation strategy and randomly sampled the folds multiple times. Our
results on classification not only provided better accuracy when augmented data
generated from one sample is introduced, but yields more balanced results on
other metrics as well.
- Abstract（参考訳）: 神経疾患の診断に関する医学的データ収集の課題は、サンプル数の少ない学習方法への道を開いた。
このような理由から、単発学習は、分類問題において人間のような学習アプローチをシミュレートすることを提案するため、ディープラーニングの最も困難でトレンドになっている概念の1つのままである。
これまでの研究は、コネクトロミックな脳グラフデータを用いたグラフニューラルネットワーク(GNN)を用いて、より正確な人口の指紋を生成することに重点を置いてきた。
これにより、コネクショナル脳テンプレート(CBT)と呼ばれる集団指紋が、分類タスクで個体群の識別的バイオマーカーの検出を可能にした。
しかし、脳のコネクティビティを表す単一のグラフデータからのデータ拡張の逆問題に取り組んだことは一度もない。
本稿では,二分分類問題に関する指標を改良するために,拡張パイプラインを提案する。
先行研究では,分類問題に対してggan(graph-based generative adversarial network)アーキテクチャを用いて,単一集団テンプレートからの拡張を検討する。
提案手法を,アルツハイマー病 (AD) と遅発性認知障害 (LMCI) との脳コネクトームからなるAD/LMCIデータセット上でベンチマークした。
モデルの一般化性を評価するために,クロスバリデーション戦略を用いてランダムに折りたたみを複数回サンプリングした。
分類の結果は,あるサンプルから生成された拡張データの導入時に精度が向上するだけでなく,他の指標にもよりバランスの取れた結果をもたらす。
関連論文リスト
- 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Investigating the Predictive Reproducibility of Federated Graph Neural
Networks using Medical Datasets [0.0]
本稿では、医用画像と脳接続データセットの分類に応用したフェデレーションGNNモデルの適用について検討する。
我々は,これらの医学的学習課題において,連合学習がGNNモデルの精度と精度を高めることを示した。
論文 参考訳（メタデータ） (2022-09-13T14:32:03Z) - 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) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - 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) - One Representative-Shot Learning Using a Population-Driven Template with
Application to Brain Connectivity Classification and Evolution Prediction [0.0]
グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。
私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。
我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
論文 参考訳（メタデータ） (2021-10-06T08:36:00Z) - ICAM-reg: Interpretable Classification and Regression with Feature
Attribution for Mapping Neurological Phenotypes in Individual Scans [3.589107822343127]
本研究では,生成的深層学習における最近の進歩を活かし,同時分類法,回帰法,特徴帰属法を開発した。
Alzheimer's Disease Neuroimaging InitiativeコホートにおけるMini-Mental State examination (MMSE)認知テストスコア予測のタスクについて検証した。
本稿では,生成したfaマップを用いて異常予測を説明し,回帰加群を組み込むことで潜在空間の不連続性を改善することを示す。
論文 参考訳（メタデータ） (2021-03-03T17:55:14Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial
Network Normalizer [0.0]
我々は,脳グラフの正規化を学習する最初のグラフベース生成適応ネットワーク(gGAN)を提案する。
提案手法は, 単一の基準点を用いた脳疾患進展予測誤差の最小化に成功した。
論文 参考訳（メタデータ） (2020-09-23T14:25:40Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。