論文の概要: TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis

• arxiv url: http://arxiv.org/abs/2309.07947v1
• Date: Thu, 14 Sep 2023 15:17:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 17:05:07.589185
• Title: TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis
• Title（参考訳）: TiBGL: テンプレートによる脳グラフ学習による機能的神経画像解析
• Authors: Xiangzhu Meng, Wei Wei, Qiang Liu, Shu Wu, Liang Wang
• Abstract要約: 本稿ではテンプレート誘発脳グラフ学習(TiBGL)と呼ばれる新しい脳グラフ学習フレームワークを提案する。 TiBGLには識別能力と解釈能力がある。 3つの実世界のデータセットによる実験結果から,提案したTiBGLは,9つの最先端手法と比較して優れた性能が得られることが示された。
• 参考スコア（独自算出の注目度）: 27.23929515170454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, functional magnetic resonance imaging has emerged as a powerful tool for investigating the human brain's functional connectivity networks. Related studies demonstrate that functional connectivity networks in the human brain can help to improve the efficiency of diagnosing neurological disorders. However, there still exist two challenges that limit the progress of functional neuroimaging. Firstly, there exists an abundance of noise and redundant information in functional connectivity data, resulting in poor performance. Secondly, existing brain network models have tended to prioritize either classification performance or the interpretation of neuroscience findings behind the learned models. To deal with these challenges, this paper proposes a novel brain graph learning framework called Template-induced Brain Graph Learning (TiBGL), which has both discriminative and interpretable abilities. Motivated by the related medical findings on functional connectivites, TiBGL proposes template-induced brain graph learning to extract template brain graphs for all groups. The template graph can be regarded as an augmentation process on brain networks that removes noise information and highlights important connectivity patterns. To simultaneously support the tasks of discrimination and interpretation, TiBGL further develops template-induced convolutional neural network and template-induced brain interpretation analysis. Especially, the former fuses rich information from brain graphs and template brain graphs for brain disorder tasks, and the latter can provide insightful connectivity patterns related to brain disorders based on template brain graphs. Experimental results on three real-world datasets show that the proposed TiBGL can achieve superior performance compared with nine state-of-the-art methods and keep coherent with neuroscience findings in recent literatures.
• Abstract（参考訳）: 近年、機能的磁気共鳴イメージングは人間の脳の機能的接続ネットワークを調べる強力なツールとして出現している。 関連研究により、人間の脳内の機能的接続ネットワークが神経疾患の診断効率を向上させることが示されている。 しかし、機能的ニューロイメージングの進行を制限する2つの課題がある。 まず、機能接続データにはノイズや冗長な情報が豊富に存在するため、パフォーマンスが低下する。 第二に、既存の脳ネットワークモデルは、学習モデルの背後にある神経科学的な発見の分類性能または解釈を優先する傾向にある。 本稿では,これらの課題に対処するために,テンプレート誘発脳グラフ学習(tibgl)と呼ばれる新しい脳グラフ学習フレームワークを提案する。 TiBGLは、機能結合岩に関する関連する医学的な発見に触発され、全てのグループのテンプレート脳グラフを抽出するためにテンプレート誘発脳グラフ学習を提案する。 テンプレートグラフは、ノイズ情報を取り除き重要な接続パターンを強調する脳ネットワーク上の拡張プロセスと見なすことができる。 識別と解釈のタスクを同時にサポートするため、TiBGLはテンプレート誘発の畳み込みニューラルネットワークとテンプレート誘発の脳解釈分析をさらに発展させる。 特に、前者は脳障害タスクのための脳グラフとテンプレート脳グラフからの豊富な情報を融合し、後者はテンプレート脳グラフに基づいた脳障害に関連する洞察に富んだ接続パターンを提供する。 実世界の3つのデータセットによる実験結果から,提案したTiBGLは9つの最先端手法と比較して優れた性能を示し,近年の文献における神経科学的な知見との整合性を維持している。

関連論文リスト

• Biologically Plausible Brain Graph Transformer [29.25619892737193]
  最先端の脳グラフ分析手法は、脳グラフの小さな世界のアーキテクチャを完全にエンコードすることができない。 本稿では,脳グラフに固有の小世界構造をエンコードするBioBGT(Biologically Plausible Brain Graph Transformer)を提案する。
  論文  参考訳（メタデータ） (2025-02-13T04:51:18Z)
• Rethinking Functional Brain Connectome Analysis: Do Graph Deep Learning Models Help? [26.993152836226084]
  4つの大規模神経画像研究に基づくグラフ深層学習モデルの再検討を行った。 グラフ深層学習モデルの目印であるメッセージアグリゲーション機構は,通常想定されるような予測性能には役に立たないことがわかった。 この問題に対処するために,線形モデルとグラフ注意ネットワークを組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-28T07:24:16Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。 脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。 本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2024-06-01T02:47:39Z)
• 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)
• 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)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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。