論文の概要: Learning High-Order Relationships of Brain Regions
- arxiv url: http://arxiv.org/abs/2312.02203v1
- Date: Sat, 2 Dec 2023 21:39:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:21:22.847038
- Title: Learning High-Order Relationships of Brain Regions
- Title(参考訳): 脳領域の高次関係の学習
- Authors: Weikang Qiu, Huangrui Chu, Selena Wang, Haolan Zuo, Xiaoxiao Li, Yize
Zhao, Rex Ying
- Abstract要約: 高次関係は最大情報的かつ最小冗長(MIMR)であるべきだと我々は主張する。
我々は,fMRIデータからMIMR高次関係を抽出することを目的としたHyBRiDという新しい手法を提案する。
我々のモデルは、最先端の予測モデルよりも平均12.1%優れています。
- 参考スコア(独自算出の注目度): 24.36794722967293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discovering reliable and informative interactions among brain regions from
functional magnetic resonance imaging (fMRI) signals is essential in
neuroscientific predictions of cognition. Most of the current methods fail to
accurately characterize those interactions because they only focus on pairwise
connections and overlook the high-order relationships of brain regions. We
delve into this problem and argue that these high-order relationships should be
maximally informative and minimally redundant (MIMR). However, identifying such
high-order relationships is challenging and highly under-explored. Methods that
can be tailored to our context are also non-existent. In response to this gap,
we propose a novel method named HyBRiD that aims to extract MIMR high-order
relationships from fMRI data. HyBRiD employs a Constructor to identify
hyperedge structures, and a Weighter to compute a weight for each hyperedge.
HyBRiD achieves the MIMR objective through an innovative information bottleneck
framework named multi-head drop-bottleneck with theoretical guarantees. Our
comprehensive experiments demonstrate the effectiveness of our model. Our model
outperforms the state-of-the-art predictive model by an average of 12.1%,
regarding the quality of hyperedges measured by CPM, a standard protocol for
studying brain connections.
- Abstract(参考訳): 機能的磁気共鳴画像(fmri)信号から脳領域間の信頼できる情報的相互作用の発見は、認知の神経科学的予測に不可欠である。
現在の手法のほとんどは、ペア接続のみに焦点を当て、脳領域の高次関係を見落としているため、これらの相互作用を正確に特徴づけることができない。
この問題を掘り下げ、これらの高次関係は最大情報的かつ最小冗長(MIMR)であるべきだと論じる。
しかし、このような高次関係の特定は困難であり、非常に過小評価されている。
私たちのコンテキストに合わせて調整できるメソッドも存在しません。
このギャップに対応するために,fMRIデータからMIMR高次関係を抽出することを目的としたHyBRiDという新しい手法を提案する。
hybridはハイパーエッジ構造を識別するためにコンストラクタを使用し、各ハイパーエッジの重量を計算するための重み付けを行う。
HyBRiDは、理論的保証のあるマルチヘッドドロップブートネックという革新的な情報ボトルネックフレームワークを通じて、MIMRの目標を達成する。
我々のモデルの有効性を総合的な実験で実証した。
我々のモデルは、脳の接続を研究するための標準プロトコルであるCPMによって測定されるハイパーエッジの品質に関して、平均12.1%の最先端予測モデルよりも優れています。
関連論文リスト
- HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and
Hierarchical Interactions for Mild Cognitive Impairment Diagnosis [10.028997265879598]
軽度認知障害(MCI)と主観的認知低下(SCD)の診断のための新しい階層的アライメントと階層的相互作用(HA-HI)法を導入する。
HA-HIは、様々な特徴型を整列し、それらの相互作用を階層的に最大化することで、MCIまたはSCD関連の重要な地域および接続特性を効率的に学習する。
提案手法の解釈可能性を高めるために,MCI/SCDを示す重要な脳領域と接続を明らかにするSynergistic Activation Map (SAM) 技術を開発した。
論文 参考訳(メタデータ) (2024-01-02T12:46:02Z) - Sparse Multitask Learning for Efficient Neural Representation of Motor
Imagery and Execution [30.186917337606477]
運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。
MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。
以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2023-12-10T09:06:16Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳(メタデータ) (2023-09-28T06:55:50Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - PS-ARM: An End-to-End Attention-aware Relation Mixer Network for Person
Search [56.02761592710612]
モジュール・パーソン・サーチのための新しいアテンション・アウェア・リレーション・ミキサー(ARM)を提案する。
私たちのARMモジュールはネイティブで、きめ細かい監督やトポロジカルな仮定に依存していません。
我々のPS-ARMは、両方のデータセットで最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-10-07T10:04:12Z) - MMLatch: Bottom-up Top-down Fusion for Multimodal Sentiment Analysis [84.7287684402508]
マルチモーダル融合に対する最近のディープラーニングアプローチは、ハイレベルおよびミドルレベルの潜在モダリティ表現のボトムアップ融合に依存している。
人間の知覚モデルでは、高レベルの表現が感覚入力の知覚に影響を及ぼすトップダウン融合の重要性を強調している。
本稿では,ネットワークトレーニング中のフォワードパスにおけるフィードバック機構を用いて,トップダウンのクロスモーダルインタラクションをキャプチャするニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-01-24T17:48:04Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳(メタデータ) (2021-07-21T09:02:29Z) - Statistical control for spatio-temporal MEG/EEG source imaging with
desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。
ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。
この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-09-29T21:17:16Z)
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。