論文の概要: A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification
- arxiv url: http://arxiv.org/abs/2302.07243v1
- Date: Tue, 14 Feb 2023 18:42:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 14:30:33.325738
- Title: A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification
- Title(参考訳): 動的グラフ表現学習のための深い確率的時空間フレームワークと脳障害同定への応用
- Authors: Junn Yong Loo, Sin-Yee Yap, Fuad Noman, Raphael CW Phan, Chee-Ming
Ting
- Abstract要約: 自閉症スペクトラム障害(ASD)識別のための動的脳内FCネットワークのトポロジカル構造を学習するための深い確率的枠組みが提案されている。
提案するフレームワークは,動的FCネットワークをまたいだリッチテンポラルパターンを捕捉する空間認識型リカレントニューラルネットワークと,学習したパターンを対象レベルの分類に活用する完全適合型ニューラルネットワークを備えている。
静止状態機能型磁気共鳴画像データセットの評価により,ASDの同定において,我々のフレームワークは最先端の手法よりも優れていた。
- 参考スコア(独自算出の注目度): 6.701251840474303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent applications of pattern recognition techniques on brain connectome
classification using functional connectivity (FC) neglect the non-Euclidean
topology and causal dynamics of brain connectivity across time. In this paper,
a deep probabilistic spatiotemporal framework developed based on variational
Bayes (DSVB) is proposed to learn time-varying topological structures in
dynamic brain FC networks for autism spectrum disorder (ASD) identification.
The proposed framework incorporates a spatial-aware recurrent neural network to
capture rich spatiotemporal patterns across dynamic FC networks, followed by a
fully-connected neural network to exploit these learned patterns for
subject-level classification. To overcome model overfitting on limited training
datasets, an adversarial training strategy is introduced to learn graph
embedding models that generalize well to unseen brain networks. Evaluation on
the ABIDE resting-state functional magnetic resonance imaging dataset shows
that our proposed framework significantly outperformed state-of-the-art methods
in identifying ASD. Dynamic FC analyses with DSVB learned embeddings reveal
apparent group difference between ASD and healthy controls in network profiles
and switching dynamics of brain states.
- Abstract(参考訳): 機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は,脳コネクトームの非ユークリッドトポロジーや因果ダイナミクスを無視している。
本稿では,自閉症スペクトラム障害(asd)に対する動的脳fcネットワークの時間変化トポロジー構造を学習するために,変分ベイズ(dsvb)に基づく深部確率的時空間的枠組みを提案する。
提案手法では,空間認識型リカレントニューラルネットワークを用いて,動的fcネットワークにまたがるリッチな時空間パターンをキャプチャし,その学習パターンを主題レベルの分類に活用する。
限られたトレーニングデータセットに対するモデル過適合を克服するために、未知の脳ネットワークにうまく一般化するグラフ埋め込みモデルを学ぶために、敵のトレーニング戦略を導入する。
ABIDE静止状態機能型磁気共鳴画像データセットの評価により,提案手法はASDの同定における最先端手法よりも優れていた。
dsvbを用いた動的fc解析により、ネットワークプロファイルと脳状態のスイッチングダイナミクスにおけるasdと健全な制御との明らかなグループ差が明らかになった。
関連論文リスト
- Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳(メタデータ) (2023-12-16T04:31:51Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-21T08:29:16Z) - 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) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳(メタデータ) (2021-09-26T07:19:47Z) - 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) - Ensembling complex network 'perspectives' for mild cognitive impairment
detection with artificial neural networks [5.194561180498554]
本研究では,複合ネットワークとニューラルネットワークのパラダイムを共同利用した軽度の認知障害検出手法を提案する。
特に、この手法は、異なる脳構造「パースペクティブ」を人工ニューラルネットワークでアンサンブルすることに基づいている。
論文 参考訳(メタデータ) (2021-01-26T08:38:11Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳(メタデータ) (2020-06-19T22:05:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳(メタデータ) (2020-06-16T18:45:20Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳(メタデータ) (2020-03-24T01:56:50Z)
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。