論文の概要: A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression
- arxiv url: http://arxiv.org/abs/2309.14816v1
- Date: Tue, 26 Sep 2023 10:30:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-27 14:16:15.121312
- Title: A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression
- Title(参考訳): 脳年齢回帰のための集団グラフ構築法とグラフニューラルネットワークの比較研究
- Authors: Kyriaki-Margarita Bintsi, Tamara T. Mueller, Sophie Starck, Vasileios
Baltatzis, Alexander Hammers, Daniel Rueckert
- Abstract要約: 医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある
本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
- 参考スコア(独自算出の注目度): 48.97251676778599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The difference between the chronological and biological brain age of a
subject can be an important biomarker for neurodegenerative diseases, thus
brain age estimation can be crucial in clinical settings. One way to
incorporate multimodal information into this estimation is through population
graphs, which combine various types of imaging data and capture the
associations among individuals within a population. In medical imaging,
population graphs have demonstrated promising results, mostly for
classification tasks. In most cases, the graph structure is pre-defined and
remains static during training. However, extracting population graphs is a
non-trivial task and can significantly impact the performance of Graph Neural
Networks (GNNs), which are sensitive to the graph structure. In this work, we
highlight the importance of a meaningful graph construction and experiment with
different population-graph construction methods and their effect on GNN
performance on brain age estimation. We use the homophily metric and graph
visualizations to gain valuable quantitative and qualitative insights on the
extracted graph structures. For the experimental evaluation, we leverage the UK
Biobank dataset, which offers many imaging and non-imaging phenotypes. Our
results indicate that architectures highly sensitive to the graph structure,
such as Graph Convolutional Network (GCN) and Graph Attention Network (GAT),
struggle with low homophily graphs, while other architectures, such as
GraphSage and Chebyshev, are more robust across different homophily ratios. We
conclude that static graph construction approaches are potentially insufficient
for the task of brain age estimation and make recommendations for alternative
research directions.
- Abstract(参考訳): 被験者の時系列と生物学的脳年齢の違いは神経変性疾患の重要なバイオマーカーとなりうるため、臨床環境では脳年齢推定が重要である。
この推定にマルチモーダル情報を組み込む一つの方法は、様々な種類のイメージングデータを結合し、人口内の個人間の関連を捉える人口グラフである。
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
ほとんどの場合、グラフ構造は事前に定義されており、トレーニング中も静的である。
しかし、人口グラフの抽出は非自明な作業であり、グラフ構造に敏感なグラフニューラルネットワーク(GNN)の性能に大きな影響を与える可能性がある。
本研究では,異なる集団グラフ構築手法による有意義なグラフ構築と実験の重要性を強調し,GNNの性能が脳年齢推定に与える影響を明らかにする。
我々はホモフィリメトリックとグラフの可視化を用いて,抽出されたグラフ構造に関する定量的・定性的な洞察を得る。
実験的な評価のために、多くの画像表現型と非画像表現型を提供するuk biobankデータセットを利用する。
以上の結果から,グラフ畳み込みネットワーク (GCN) やグラフ注意ネットワーク (GAT) のようなグラフ構造に非常に敏感なアーキテクチャでは,グラフサージやチェビシェフといった他のアーキテクチャでは,異なるホモフィリー比でより堅牢であることが示唆された。
静的グラフ構築手法は、脳年齢推定のタスクには不十分である可能性があり、代替研究の方向性を推奨する。
関連論文リスト
- Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。
我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、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) (2023-12-30T06:50:52Z) - Multimodal brain age estimation using interpretable adaptive
population-graph learning [58.99653132076496]
下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。
注意機構は、画像と非画像の特徴のセットに重みを割り当てる。
グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
論文 参考訳(メタデータ) (2023-07-10T15:35:31Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳(メタデータ) (2023-01-14T09:15:49Z) - 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) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳(メタデータ) (2022-04-01T10:01:37Z) - Supervised Contrastive Learning with Structure Inference for Graph
Classification [5.276232626689567]
グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。
ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。
実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-03-15T07:18:46Z) - Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning
and Neuroscience (VesselGraph) [3.846749674808336]
本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。
我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。
我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
論文 参考訳(メタデータ) (2021-08-30T13:40:48Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-07-08T19:48:19Z)
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。