論文の概要: Leveraging Brain Modularity Prior for Interpretable Representation
Learning of fMRI
- arxiv url: http://arxiv.org/abs/2306.14080v1
- Date: Sat, 24 Jun 2023 23:45:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 17:02:29.750816
- Title: Leveraging Brain Modularity Prior for Interpretable Representation
Learning of fMRI
- Title(参考訳): fMRIの解釈型表現学習に先立つ脳のモジュラリティの活用
- Authors: Qianqian Wang, Wei Wang, Yuqi Fang, P.-T. Yap, Hongtu Zhu, Hong-Jun
Li, Lishan Qiao and Mingxia Liu
- Abstract要約: 静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。
従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。
本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
- 参考スコア(独自算出の注目度): 38.236414924531196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Resting-state functional magnetic resonance imaging (rs-fMRI) can reflect
spontaneous neural activities in brain and is widely used for brain disorder
analysis.Previous studies propose to extract fMRI representations through
diverse machine/deep learning methods for subsequent analysis. But the learned
features typically lack biological interpretability, which limits their
clinical utility. From the view of graph theory, the brain exhibits a
remarkable modular structure in spontaneous brain functional networks, with
each module comprised of functionally interconnected brain regions-of-interest
(ROIs). However, most existing learning-based methods for fMRI analysis fail to
adequately utilize such brain modularity prior. In this paper, we propose a
Brain Modularity-constrained dynamic Representation learning (BMR) framework
for interpretable fMRI analysis, consisting of three major components: (1)
dynamic graph construction, (2) dynamic graph learning via a novel
modularity-constrained graph neural network(MGNN), (3) prediction and biomarker
detection for interpretable fMRI analysis. Especially, three core
neurocognitive modules (i.e., salience network, central executive network, and
default mode network) are explicitly incorporated into the MGNN, encouraging
the nodes/ROIs within the same module to share similar representations. To
further enhance discriminative ability of learned features, we also encourage
the MGNN to preserve the network topology of input graphs via a graph topology
reconstruction constraint. Experimental results on 534 subjects with rs-fMRI
scans from two datasets validate the effectiveness of the proposed method. The
identified discriminative brain ROIs and functional connectivities can be
regarded as potential fMRI biomarkers to aid in clinical diagnosis.
- Abstract(参考訳): 静止状態機能型磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映し、脳障害解析に広く用いられている。
しかし、学習した特徴は一般的に生物学的解釈性に欠けており、臨床効果が制限される。
グラフ理論の観点からすると、脳は自発的な脳機能ネットワークにおいて顕著なモジュラー構造を示し、各モジュールは機能的に相互に結合された脳の領域(ROI)から構成される。
しかし、fMRI解析のための既存の学習ベースの手法の多くは、そのような脳のモジュラリティを事前に適切に利用していない。
本稿では、(1)動的グラフ構築、(2)新しいモジュラリティ制約グラフニューラルネットワーク(MGNN)による動的グラフ学習、(3)解釈可能なfMRI解析のための予測とバイオマーカー検出の3つの主要コンポーネントからなる、解釈可能なfMRI分析のための脳モジュール制約動的表現学習(BMR)フレームワークを提案する。
特に、3つのコア神経認知モジュール(サリエンスネットワーク、セントラルエグゼクティブネットワーク、デフォルトモードネットワーク)がMGNNに明示的に組み込まれ、同じモジュール内のノード/ROIが同様の表現を共有するように促される。
また,学習特徴の識別能力をさらに高めるため,mgnnに対して,グラフトポロジー再構成制約による入力グラフのネットワークトポロジーの保持を推奨する。
rs-fMRIによる534名の被験者を対象に,提案手法の有効性を検証した。
識別された脳のroisと機能的結合性は臨床診断に役立つfmriバイオマーカーと見なすことができる。
関連論文リスト
- fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳(メタデータ) (2023-11-01T07:24:22Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with
Graph Neural Networks [28.460737693330245]
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。
論文 参考訳(メタデータ) (2022-11-01T03:59:54Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - 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) - Interpretable Graph Neural Networks for Connectome-Based Brain Disorder
Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。
提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文 参考訳(メタデータ) (2022-06-30T08:02:05Z) - 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) - Deep Representations for Time-varying Brain Datasets [4.129225533930966]
本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。
サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。
これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
論文 参考訳(メタデータ) (2022-05-23T21:57:31Z) - 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)
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。