論文の概要: Community-Aware Transformer for Autism Prediction in fMRI Connectome
- arxiv url: http://arxiv.org/abs/2307.10181v1
- Date: Sat, 24 Jun 2023 23:52:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-23 11:35:45.791737
- Title: Community-Aware Transformer for Autism Prediction in fMRI Connectome
- Title(参考訳): fMRIコネクトームにおける自閉症予測のためのコミュニティ対応トランス
- Authors: Anushree Bannadabhavi and Soojin Lee and Wenlong Deng and Xiaoxiao Li
- Abstract要約: Com-BrainTFは、ASD予測タスクのためのコミュニティ内およびコミュニティ間ノード埋め込みを学習する階層的なローカル・グローバル・トランスフォーマーアーキテクチャである。
我々のモデルは、ABIDEデータセット上での最先端(SOTA)アーキテクチャよりも優れており、アテンションモジュールから明らかな高い解釈可能性を持っている。
- 参考スコア(独自算出の注目度): 12.433556885503243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autism spectrum disorder(ASD) is a lifelong neurodevelopmental condition that
affects social communication and behavior. Investigating functional magnetic
resonance imaging (fMRI)-based brain functional connectome can aid in the
understanding and diagnosis of ASD, leading to more effective treatments. The
brain is modeled as a network of brain Regions of Interest (ROIs), and ROIs
form communities and knowledge of these communities is crucial for ASD
diagnosis. On the one hand, Transformer-based models have proven to be highly
effective across several tasks, including fMRI connectome analysis to learn
useful representations of ROIs. On the other hand, existing transformer-based
models treat all ROIs equally and overlook the impact of community-specific
associations when learning node embeddings. To fill this gap, we propose a
novel method, Com-BrainTF, a hierarchical local-global transformer architecture
that learns intra and inter-community aware node embeddings for ASD prediction
task. Furthermore, we avoid over-parameterization by sharing the local
transformer parameters for different communities but optimize unique learnable
prompt tokens for each community. Our model outperforms state-of-the-art (SOTA)
architecture on ABIDE dataset and has high interpretability, evident from the
attention module. Our code is available at
https://github.com/ubc-tea/Com-BrainTF.
- Abstract(参考訳): 自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、社会コミュニケーションや行動に影響を与える生涯にわたる神経発達状態である。
機能的磁気共鳴イメージング(fMRI)に基づく脳機能コネクトームの探索は、ASDの理解と診断に役立ち、より効果的な治療につながる。
脳は関心領域(ROI)のネットワークとしてモデル化されており、ROIはコミュニティを形成し、これらのコミュニティの知識はASD診断に不可欠である。
一方、Transformerベースのモデルは、ROIの有用な表現を学ぶためのfMRIコネクトーム分析など、いくつかのタスクにおいて非常に効果的であることが証明されている。
一方、既存のトランスフォーマーベースのモデルは全てのROIを等しく扱い、ノード埋め込みを学習する際にコミュニティ固有の関連性の影響を見落としている。
このギャップを埋めるために,ASD予測タスクのためのコミュニティ内およびコミュニティ間ノード埋め込みを学習する階層型ローカル・グローバル・トランスフォーマーアーキテクチャであるCom-BrainTFを提案する。
さらに,局所的トランスフォーマーパラメータを異なるコミュニティで共有することで過剰パラメータ化を回避し,コミュニティ毎にユニークな学習可能なプロンプトトークンを最適化する。
我々のモデルは、ABIDEデータセット上での最先端(SOTA)アーキテクチャよりも優れており、注目モジュールから明らかな高い解釈性を有する。
私たちのコードはhttps://github.com/ubc-tea/com-braintfで利用可能です。
関連論文リスト
- Improved EATFormer: A Vision Transformer for Medical Image Classification [0.0]
本稿では,ビジョントランスフォーマを用いた医用画像分類のための改良されたアルゴリズムベースのトランスフォーマアーキテクチャを提案する。
提案したEATFormerアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーの長所を組み合わせたものだ。
Chest X-rayデータセットとKvasirデータセットの実験結果から,提案したEATFormerはベースラインモデルと比較して予測速度と精度を大幅に向上することが示された。
論文 参考訳(メタデータ) (2024-03-19T21:40:20Z) - Learnable Community-Aware Transformer for Brain Connectome Analysis with
Token Clustering [18.248669456724116]
本稿では,共同コミュニティクラスタリングと分類のためのトークンクラスタリング脳トランスフォーマーモデル(texttTC-BrainTF$)を提案する。
我々の学習可能なコミュニティ対応モデルである $textttTC-BrainTF$ は自閉症スペクトラム障害(ASD)を識別し、性別を分類する精度を向上させることを実証した。
論文 参考訳(メタデータ) (2024-03-13T02:55:27Z) - 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) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-06-16T05:22:25Z) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳(メタデータ) (2023-03-26T14:14:58Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - 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) - MHATC: Autism Spectrum Disorder identification utilizing multi-head
attention encoder along with temporal consolidation modules [11.344829880346353]
静止状態fMRIは、ネットワークベースの機能接続を用いて自閉症スペクトラム障害(ASD)の診断に一般的に用いられる。
ASD患者として個人を分類するための多面的注意と時間的統合モジュールからなる新しいディープラーニングアーキテクチャ(MHATC)を提案する。
論文 参考訳(メタデータ) (2021-12-27T07:50:16Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
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。