論文の概要: HDGL: A hierarchical dynamic graph representation learning model for
brain disorder classification
- arxiv url: http://arxiv.org/abs/2311.02903v1
- Date: Mon, 6 Nov 2023 06:29:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 15:13:23.234137
- Title: HDGL: A hierarchical dynamic graph representation learning model for
brain disorder classification
- Title（参考訳）: HDGL:脳障害分類のための階層的動的グラフ表現学習モデル
- Authors: Parniyan Jalali, Mehran Safayani
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.7495515703051119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The human brain can be considered as complex networks, composed of various
regions that continuously exchange their information with each other, forming
the brain network graph, from which nodes and edges are extracted using
resting-state functional magnetic resonance imaging (rs-fMRI). Therefore, this
graph can potentially depict abnormal patterns that have emerged under the
influence of brain disorders. So far, numerous studies have attempted to find
embeddings for brain network graphs and subsequently classify samples with
brain disorders from healthy ones, which include limitations such as: not
considering the relationship between samples, not utilizing phenotype
information, lack of temporal analysis, using static functional connectivity
(FC) instead of dynamic ones and using a fixed graph structure. We propose a
hierarchical dynamic graph representation learning (HDGL) model, which is the
first model designed to address all the aforementioned challenges. HDGL
consists of two levels, where at the first level, it constructs brain network
graphs and learns their spatial and temporal embeddings, and at the second
level, it forms population graphs and performs classification after embedding
learning. Furthermore, based on how these two levels are trained, four methods
have been introduced, some of which are suggested for reducing memory
complexity. We evaluated the performance of the proposed model on the ABIDE and
ADHD-200 datasets, and the results indicate the improvement of this model
compared to several state-of-the-art models in terms of various evaluation
metrics.
- Abstract（参考訳）: 人間の脳は、情報を継続的に交換し、脳ネットワークグラフを形成して、静止状態の機能的磁気共鳴イメージング(rs-fMRI)を用いて、ノードとエッジを抽出する様々な領域からなる複雑なネットワークと見なすことができる。
したがって、このグラフは脳障害の影響下で発生した異常パターンを表わす可能性がある。
これまでの研究では、脳ネットワークグラフの埋め込みを見つけ、その後、健康なものから脳障害のあるサンプルを分類しようと試みている。サンプル間の関係を考慮せず、表現型情報を使用しない、時間的分析の欠如、動的グラフではなく静的機能接続(fc)の使用、固定グラフ構造の使用。
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。
HDGLは2つのレベルから構成されており、第1レベルでは脳ネットワークグラフを構築し、その空間的および時間的埋め込みを学習し、第2レベルでは集団グラフを形成し、埋め込み学習後に分類を行う。
さらに、これらの2つのレベルをどのようにトレーニングするかに基づいて、4つのメソッドが導入された。
ABIDEおよびADHD-200データセットにおける提案モデルの性能評価を行い、様々な評価指標を用いて、いくつかの最先端モデルと比較して、このモデルの改善を示す。
関連論文リスト
- 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) - 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) - TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging
Analysis [27.23929515170454]
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。
論文 参考訳（メタデータ） (2023-09-14T15:17:42Z) - Multi-Head Graph Convolutional Network for Structural Connectome
Classification [8.658134276685404]
グラフ畳み込みネットワーク(GCN)にインスパイアされた機械学習モデルを提案する。
提案するネットワークは,エッジとノードに着目したグラフ畳み込みを含む,異なるヘッドを用いたシンプルな設計である。
脳接続データから補完的特徴と代表的特徴を抽出する能力をテストするため,私たちは性分類の課題を選択した。
論文 参考訳（メタデータ） (2023-05-02T15:04:30Z) - 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) - 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) - 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) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳（メタデータ） (2021-09-26T07:19:47Z)
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。