論文の概要: Beyond the Snapshot: Brain Tokenized Graph Transformer for Longitudinal
Brain Functional Connectome Embedding
- arxiv url: http://arxiv.org/abs/2307.00858v2
- Date: Thu, 13 Jul 2023 03:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-14 19:50:24.893135
- Title: Beyond the Snapshot: Brain Tokenized Graph Transformer for Longitudinal
Brain Functional Connectome Embedding
- Title(参考訳): スナップショットを超えて:縦型脳機能コネクトーム埋め込みのための脳トークン化グラフトランスフォーマー
- Authors: Zijian Dong, Yilei Wu, Yu Xiao, Joanna Su Xian Chong, Yueming Jin,
Juan Helen Zhou
- Abstract要約: 脳機能コネクトーム(FC)をベースとしたグラフニューラルネットワーク(GNN)は、アルツハイマー病(AD)などの神経変性疾患の診断と予後に有用なツールとして登場した。
しかし、これらのモデルは、FC軌跡を特徴付けるのではなく、単一の時点における脳内FC用に調整されている。
本研究は神経変性疾患の診断と予後に応用した,脳内FC軌道埋め込みのための最初の解釈可能な枠組みを提案する。
- 参考スコア(独自算出の注目度): 4.7719542185589585
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Under the framework of network-based neurodegeneration, brain functional
connectome (FC)-based Graph Neural Networks (GNN) have emerged as a valuable
tool for the diagnosis and prognosis of neurodegenerative diseases such as
Alzheimer's disease (AD). However, these models are tailored for brain FC at a
single time point instead of characterizing FC trajectory. Discerning how FC
evolves with disease progression, particularly at the predementia stages such
as cognitively normal individuals with amyloid deposition or individuals with
mild cognitive impairment (MCI), is crucial for delineating disease spreading
patterns and developing effective strategies to slow down or even halt disease
advancement. In this work, we proposed the first interpretable framework for
brain FC trajectory embedding with application to neurodegenerative disease
diagnosis and prognosis, namely Brain Tokenized Graph Transformer (Brain
TokenGT). It consists of two modules: 1) Graph Invariant and Variant Embedding
(GIVE) for generation of node and spatio-temporal edge embeddings, which were
tokenized for downstream processing; 2) Brain Informed Graph Transformer
Readout (BIGTR) which augments previous tokens with trainable type identifiers
and non-trainable node identifiers and feeds them into a standard transformer
encoder to readout. We conducted extensive experiments on two public
longitudinal fMRI datasets of the AD continuum for three tasks, including
differentiating MCI from controls, predicting dementia conversion in MCI, and
classification of amyloid positive or negative cognitively normal individuals.
Based on brain FC trajectory, the proposed Brain TokenGT approach outperformed
all the other benchmark models and at the same time provided excellent
interpretability. The code is available at
https://github.com/ZijianD/Brain-TokenGT.git
- Abstract(参考訳): ネットワークベースの神経変性の枠組みの下では、アルツハイマー病(AD)などの神経変性疾患の診断と予後のための貴重なツールとして、脳機能コネクトーム(FC)ベースのグラフニューラルネットワーク(GNN)が出現している。
しかし、これらのモデルは、FC軌跡を特徴付けるのではなく、単一の時点における脳内FC用に調整されている。
特にアミロイド沈着を伴う認知正常者や軽度認知障害(mci)を持つ個人のようなプレデメンティア段階において、fcが疾患の進行と共にどのように進化するかを理解することは、疾患の拡散パターンを線引きし、疾患の進行を遅くしたり、停止したりする効果的な戦略を開発する上で非常に重要である。
本研究では,神経変性疾患の診断と予後,すなわちBrain Tokenized Graph Transformer (Brain TokenGT) に応用した,脳内FC軌道埋め込みのための最初の解釈可能なフレームワークを提案する。
2つのモジュールから構成される。
1) 下流処理用にトークン化されたノードおよび時空間エッジの埋め込み生成のためのグラフ不変および可変埋め込み(GIVE)
2) Brain Informed Graph Transformer Readout (BIGTR)は、トレーニング可能な型識別子と非トレーニング可能なノード識別子で以前のトークンを拡張し、それらを標準トランスフォーマーエンコーダに入力して読み出す。
我々は,MCIとコントロールの区別,MCIの認知症転換の予測,アミロイド陽性あるいは負の認知正常者の分類を含む3つのタスクにおいて,AD連続体の2つの公開縦断的fMRIデータセットについて広範な実験を行った。
脳のFC軌道に基づいて、提案されたBrain TokenGTアプローチは、他のすべてのベンチマークモデルよりも優れ、同時に優れた解釈性を提供した。
コードはhttps://github.com/zijiand/brain-tokengt.gitで入手できる。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - 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) - Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。
被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。
アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文 参考訳(メタデータ) (2023-03-11T14:04:58Z) - 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) - BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data
Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。
BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。
我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文 参考訳(メタデータ) (2022-08-05T07:54:10Z) - 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) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳(メタデータ) (2021-06-06T07:11:25Z) - BrainNetGAN: Data augmentation of brain connectivity using generative
adversarial network for dementia classification [9.312868504719193]
アルツハイマー病は最も一般的な年齢関連認知症である。
脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。
アルツハイマー病は最も一般的な年齢関連認知症である。
論文 参考訳(メタデータ) (2021-03-10T23:44:53Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳(メタデータ) (2020-07-10T14:01:20Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。