Fugu-MT 論文翻訳(概要): Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI

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

BrainMAE: A Region-aware Self-supervised Learning Framework for Brain Signals [11.030708270737964]
本稿では,fMRI時系列データから直接表現を学習するBrain Masked Auto-Encoder(BrainMAE)を提案する。 BrainMAEは、4つの異なる下流タスクにおいて、確立されたベースラインメソッドをかなりのマージンで一貫して上回っている。
論文参考訳（メタデータ） (2024-06-24T19:16:24Z)
MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
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)
BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文参考訳（メタデータ） (2024-04-30T10:53:30Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
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)
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)
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。