論文の概要: Bidirectional Graph GAN: Representing Brain Structure-Function
Connections for Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2309.08916v1
- Date: Sat, 16 Sep 2023 07:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 18:46:06.888345
- Title: Bidirectional Graph GAN: Representing Brain Structure-Function
Connections for Alzheimer's Disease
- Title(参考訳): アルツハイマー病の脳構造-機能結合を表す双方向グラフgan
- Authors: Shuqiang Wang, Chen Ding
- Abstract要約: 脳の構造と機能の関係は、アルツハイマー病(AD)を含む脳疾患の病因を明らかにするために重要である
本研究では,脳構造-機能結合を表すために,双方向グラフ生成対向ネットワーク(BGGAN)を提案する。
ADNIデータセットを用いた実験結果から、生成された構造接続と生成された関数接続の両方がADの識別精度を向上させることが示された。
- 参考スコア(独自算出の注目度): 9.7794058167085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The relationship between brain structure and function is critical for
revealing the pathogenesis of brain disease, including Alzheimer's disease
(AD). However, it is a great challenge to map brain structure-function
connections due to various reasons. In this work, a bidirectional graph
generative adversarial networks (BGGAN) is proposed to represent brain
structure-function connections. Specifically, by designing a module
incorporating inner graph convolution network (InnerGCN), the generators of
BGGAN can employ features of direct and indirect brain regions to learn the
mapping function between structural domain and functional domain. Besides, a
new module named Balancer is designed to counterpoise the optimization between
generators and discriminators. By introducing the Balancer into BGGAN, both the
structural generator and functional generator can not only alleviate the issue
of mode collapse but also learn complementarity of structural and functional
features. Experimental results using ADNI datasets show that the both the
generated structure connections and generated function connections can improve
the identification accuracy of AD. More importantly, based the proposed model,
it is found that the relationship between brain structure and function is not a
complete one-to-one correspondence. Brain structure is the basis of brain
function. The strong structural connections are almost accompanied by strong
functional connections.
- Abstract(参考訳): 脳の構造と機能の関係は、アルツハイマー病(AD)を含む脳疾患の病因を明らかにするために重要である。
しかし、様々な理由から、脳の構造-機能接続をマッピングすることは大きな課題である。
本研究では,脳構造-機能結合を表すために,双方向グラフ生成対向ネットワーク(BGGAN)を提案する。
具体的には、内部グラフ畳み込みネットワーク(InnerGCN)を組み込んだモジュールを設計することにより、BGGANのジェネレータは、直接および間接的な脳領域の機能を用いて、構造ドメインと機能ドメインの間のマッピング機能を学ぶことができる。
さらに、新しいモジュールである balancer は、ジェネレータと判別器の間の最適化を偽装するように設計されている。
バランサをBGGANに導入することで、構造発電機と機能発電機の両方がモード崩壊の問題を軽減するだけでなく、構造的および機能的特徴の相補性を学ぶことができる。
ADNIデータセットを用いた実験結果から、生成された構造接続と生成された関数接続の両方がADの識別精度を向上させることが示された。
さらに,提案モデルに基づき,脳の構造と機能の関係は完全な1対1対応ではないことがわかった。
脳構造は脳機能の基礎である。
強い構造接続は、ほとんど強い機能接続を伴っている。
関連論文リスト
- 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) - Emergent Modularity in Pre-trained Transformers [127.08792763817496]
モジュラリティの主な特徴は、ニューロンの機能的特殊化と機能に基づくニューロングループ化である。
事前学習中にモジュラリティがどのように出現するかを調べた結果,モジュール構造が早期に安定していることが判明した。
このことはトランスフォーマーがまずモジュラ構造を構築し、次にきめ細かいニューロン関数を学ぶことを示唆している。
論文 参考訳(メタデータ) (2023-05-28T11:02:32Z) - Brain Structure-Function Fusing Representation Learning using
Adversarial Decomposed-VAE for Analyzing MCI [17.757114703434027]
fMRI画像から融合表現を学習するために,新しい脳構造関数Fusing-Representation Learning (BSFL)モデルを提案する。
提案モデルは,軽度認知障害(MCI)の予測と解析において,他の競合手法よりも優れた性能を実現する。
このモデルは、統合された脳ネットワークを再構築し、MCIの変性過程中に異常な接続を予測するための潜在的なツールとなるかもしれない。
論文 参考訳(メタデータ) (2023-05-23T11:19:02Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-21T08:29:16Z) - Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。
階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
論文 参考訳(メタデータ) (2023-05-06T22:14:13Z) - 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) - Unified Embeddings of Structural and Functional Connectome via a
Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。
これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
論文 参考訳(メタデータ) (2022-07-05T21:39:13Z) - Brain Cortical Functional Gradients Predict Cortical Folding Patterns
via Attention Mesh Convolution [51.333918985340425]
我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。
実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-05-21T14:08:53Z) - 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) - DeepRetinotopy: Predicting the Functional Organization of Human Visual
Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。
我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文 参考訳(メタデータ) (2020-05-26T04:54:31Z)
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。