論文の概要: Preserving Specificity in Federated Graph Learning for fMRI-based
Neurological Disorder Identification
- arxiv url: http://arxiv.org/abs/2308.10302v1
- Date: Sun, 20 Aug 2023 15:55:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 16:17:59.969161
- Title: Preserving Specificity in Federated Graph Learning for fMRI-based
Neurological Disorder Identification
- Title（参考訳）: fmriに基づく神経障害同定のためのフェデレーショングラフ学習の特異性保持
- Authors: Junhao Zhang, Qianqian Wang, Xiaochuan Wang, Lishan Qiao, Mingxia Liu
- Abstract要約: rs-fMRI解析と自動脳障害識別のための特異性を考慮したグラフ学習フレームワークを提案する。
各クライアントにおいて、我々のモデルは共有ブランチとパーソナライズされたブランチで構成されており、そこでは共有ブランチのパラメータがサーバに送信され、パーソナライズされたブランチのパラメータはローカルのままです。
被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
- 参考スコア（独自算出の注目度）: 31.668499876984487
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resting-state functional magnetic resonance imaging (rs-fMRI) offers a
non-invasive approach to examining abnormal brain connectivity associated with
brain disorders. Graph neural network (GNN) gains popularity in fMRI
representation learning and brain disorder analysis with powerful graph
representation capabilities. Training a general GNN often necessitates a
large-scale dataset from multiple imaging centers/sites, but centralizing
multi-site data generally faces inherent challenges related to data privacy,
security, and storage burden. Federated Learning (FL) enables collaborative
model training without centralized multi-site fMRI data. Unfortunately,
previous FL approaches for fMRI analysis often ignore site-specificity,
including demographic factors such as age, gender, and education level. To this
end, we propose a specificity-aware federated graph learning (SFGL) framework
for rs-fMRI analysis and automated brain disorder identification, with a server
and multiple clients/sites for federated model aggregation and prediction. At
each client, our model consists of a shared and a personalized branch, where
parameters of the shared branch are sent to the server while those of the
personalized branch remain local. This can facilitate knowledge sharing among
sites and also helps preserve site specificity. In the shared branch, we employ
a spatio-temporal attention graph isomorphism network to learn dynamic fMRI
representations. In the personalized branch, we integrate vectorized
demographic information (i.e., age, gender, and education years) and functional
connectivity networks to preserve site-specific characteristics.
Representations generated by the two branches are then fused for
classification. Experimental results on two fMRI datasets with a total of 1,218
subjects suggest that SFGL outperforms several state-of-the-art approaches.
- Abstract（参考訳）: resting-state functional mri (rs-fmri)は、脳疾患に関連する異常な脳結合を調べる非侵襲的アプローチを提供する。
グラフニューラルネットワーク(GNN)は、fMRI表現学習と強力なグラフ表現機能を備えた脳障害解析で人気を博している。
一般的なGNNのトレーニングは、複数のイメージングセンタ/サイトからの大規模なデータセットを必要とすることが多いが、多地点データの集中化は、データプライバシ、セキュリティ、ストレージの負担に関連する固有の課題に直面している。
フェデレートラーニング(FL)は、集中型マルチサイトfMRIデータなしで協調的なモデルトレーニングを可能にする。
残念ながら、fMRI分析のための以前のFLアプローチは、年齢、性別、教育レベルなどの人口統計要因を含むサイト特異性を無視していることが多い。
そこで本研究では,rs-fmri分析と脳障害の自動同定のための特異性対応型フェデレートグラフ学習(sfgl)フレームワークを提案する。
各クライアントでは、モデルが共有ブランチとパーソナライズブランチで構成され、共有ブランチのパラメータがサーバに送信され、パーソナライズブランチのパラメータがローカルに保持されます。
これにより、サイト間の知識共有が容易になり、サイトの特異性を維持できる。
共有ブランチでは、動的fMRI表現を学習するために時空間アテンショングラフ同型ネットワークを用いる。
パーソナライズド・ブランチでは、ベクタ化された人口統計情報(年齢、性別、教育年)と機能的接続ネットワークを統合し、サイト固有の特徴を保存している。
2つの分岐によって生成される表現は分類のために融合される。
被験者1,218人の2つのfMRIデータセットの実験結果から、SFGLは最先端のアプローチよりも優れていたことが示唆された。
関連論文リスト
- 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) - 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) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - JGAT: a joint spatio-temporal graph attention model for brain decoding [8.844033583141039]
Joint kernel Graph Attention Network (JGAT)は、新しいマルチモーダル時間グラフアテンションネットワークフレームワークである。
ダイナミックな情報を保存しながら、機能的磁気共鳴画像(fMRI)と拡散重み画像(DWI)からのデータを統合する。
我々は4つの独立したデータセット上でJGATでブレインデコーディングタスクを行います。
論文 参考訳（メタデータ） (2023-06-03T02:45:03Z) - 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) - 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) - Secure & Private Federated Neuroimaging [17.946206585229675]
Federated Learningは、データを共有することなく、複数のデータソース上でニューラルネットワークモデルの分散トレーニングを可能にする。
各サイトは、ニューラルネットワークをプライベートデータ上でしばらくトレーニングし、ニューラルネットワークパラメータをフェデレーションコントローラと共有する。
当社のフェデレートラーニングアーキテクチャであるMetisFLは、強力なセキュリティとプライバシを提供します。
論文 参考訳（メタデータ） (2022-05-11T03:36:04Z) - Identifying Autism Spectrum Disorder Based on Individual-Aware
Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。
本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文 参考訳（メタデータ） (2021-09-19T14:22:55Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。