Fugu-MT 論文翻訳(概要): Dynamic Dual-Graph Fusion Convolutional Network For Alzheimer's Disease Diagnosis

論文の概要: Dynamic Dual-Graph Fusion Convolutional Network For Alzheimer's Disease Diagnosis

arxiv url: http://arxiv.org/abs/2308.15484v1
Date: Sat, 5 Aug 2023 02:44:02 GMT
ステータス: 処理完了
システム内更新日: 2023-09-03 21:21:52.875146
Title: Dynamic Dual-Graph Fusion Convolutional Network For Alzheimer's Disease Diagnosis
Title（参考訳）: アルツハイマー病診断のためのdual-graph fusion convolutional network
Authors: Fanshi Li, Zhihui Wang, Yifan Guo, Congcong Liu, Yanjie Zhu, Yihang Zhou, Jun Li, Dong Liang, Haifeng Wang
Abstract要約: The dynamic dual-graph fusion convolutional network is proposed to improve to improve Alzheimer's disease (AD) diagnosis performance。実験の結果,AD診断において優れた分類結果が得られながら,柔軟性と安定性が得られた。
参考スコア（独自算出の注目度）: 31.074255846578154
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, a dynamic dual-graph fusion convolutional network is proposed to improve Alzheimer's disease (AD) diagnosis performance. The following are the paper's main contributions: (a) propose a novel dynamic GCN architecture, which is an end-to-end pipeline for diagnosis of the AD task; (b) the proposed architecture can dynamically adjust the graph structure for GCN to produce better diagnosis outcomes by learning the optimal underlying latent graph; (c) incorporate feature graph learning and dynamic graph learning, giving those useful features of subjects more weight while decreasing the weights of other noise features. Experiments indicate that our model provides flexibility and stability while achieving excellent classification results in AD diagnosis.
Abstract（参考訳）: 本稿では,アルツハイマー病(ad)の診断性能を改善するために,dual-graph fusion convolutional networkを提案する。論文の主な貢献は以下のとおりである。 a)ADタスクの診断のためのエンドツーエンドパイプラインである新しい動的GCNアーキテクチャを提案する。 b) 提案するアーキテクチャは,gcnのグラフ構造を動的に調整し,基礎となる潜在性グラフを学習することにより,より良い診断結果を得ることができる。 (c)特徴グラフ学習と動的グラフ学習を取り入れ,他の雑音特徴の重みを減らしながら,被験者の有用な特徴をより重み付けする。実験の結果,本モデルが柔軟性と安定性を提供し,優れた分類結果が得られた。

関連論文リスト

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)
HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification [1.7495515703051119]
上記の課題に対処するために設計された最初のモデルである階層型動的グラフ表現学習(HDGL)モデルを提案する。 ABIDEおよびADHD-200データセットを用いて提案モデルの性能を評価する。
論文参考訳（メタデータ） (2023-11-06T06:29:23Z)
Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
論文参考訳（メタデータ） (2023-04-12T14:13:09Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection [9.11430195887347]
本稿では,EMCI検出のための新しいグラフ構造自己学習機構を備えた空間時空間グラフ畳み込みネットワークを提案する。 The Alzheimer's Disease Neuroimaging Initiative databaseの結果は、我々の手法が最先端のアプローチより優れていることを示している。
論文参考訳（メタデータ） (2022-11-11T12:29:00Z)
A Comparative Study of Graph Neural Networks for Shape Classification in Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文参考訳（メタデータ） (2022-10-29T19:03:01Z)
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)
Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文参考訳（メタデータ） (2021-03-17T16:22:24Z)
Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文参考訳（メタデータ） (2021-01-17T23:14:29Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。