論文の概要: Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification
- arxiv url: http://arxiv.org/abs/2312.10317v1
- Date: Sat, 16 Dec 2023 04:31:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 17:14:02.941085
- Title: Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification
- Title(参考訳): 端端端端結合性学習と静止状態fMRI分類のための時空間DAG畳み込みネットワーク
- Authors: Rui Yang, Wenrui Dai, Huajun She, Yiping P. Du, Dapeng Wu, Hongkai
Xiong
- Abstract要約: 総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
- 参考スコア(独自算出の注目度): 42.82118108887965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building comprehensive brain connectomes has proved of fundamental importance
in resting-state fMRI (rs-fMRI) analysis. Based on the foundation of brain
network, spatial-temporal-based graph convolutional networks have dramatically
improved the performance of deep learning methods in rs-fMRI time series
classification. However, existing works either pre-define the brain network as
the correlation matrix derived from the raw time series or jointly learn the
connectome and model parameters without any topology constraint. These methods
could suffer from degraded classification performance caused by the deviation
from the intrinsic brain connectivity and lack biological interpretability of
demonstrating the causal structure (i.e., effective connectivity) among brain
regions. Moreover, most existing methods for effective connectivity learning
are unaware of the downstream classification task and cannot sufficiently
exploit useful rs-fMRI label information. To address these issues in an
end-to-end manner, we model the brain network as a directed acyclic graph (DAG)
to discover direct causal connections between brain regions and propose
Spatial-Temporal DAG Convolutional Network (ST-DAGCN) to jointly infer
effective connectivity and classify rs-fMRI time series by learning brain
representations based on nonlinear structural equation model. The optimization
problem is formulated into a continuous program and solved with score-based
learning method via gradient descent. We evaluate ST-DAGCN on two public
rs-fMRI databases. Experiments show that ST-DAGCN outperforms existing models
by evident margins in rs-fMRI classification and simultaneously learns
meaningful edges of effective connectivity that help understand brain activity
patterns and pathological mechanisms in brain disease.
- Abstract(参考訳): 総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において根本的な重要性を証明している。
脳ネットワークの基礎から、空間時間に基づくグラフ畳み込みネットワークは、rs-fMRI時系列分類におけるディープラーニング手法の性能を劇的に改善した。
しかし、既存の研究は、脳ネットワークを生の時系列に由来する相関行列として事前に定義するか、トポロジーの制約なしにコネクトームとモデルパラメータを共同学習するかのどちらかである。
これらの方法は、内因性脳の接続性から逸脱することによる分類性能の低下と、脳領域間の因果構造(すなわち効果的な接続性)を示す生物学的解釈能力の欠如に悩まされる可能性がある。
また,既存手法の多くは下流分類課題を意識せず,有用なrs-fmriラベル情報を十分に活用できない。
これらの問題をエンドツーエンドに解決するために、脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を探索し、非線形構造方程式モデルに基づいて、実効接続性を推定し、rs-fMRI時系列を分類する空間時間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
最適化問題は連続プログラムに定式化され、勾配降下によるスコアベース学習法で解決される。
2つの公開rs-fMRIデータベース上でST-DAGCNを評価する。
ST-DAGCNは、rs-fMRI分類において明らかなマージンによって既存のモデルよりも優れており、同時に脳疾患の脳活動パターンや病理機構を理解するのに役立つ効果的な接続の意義を学習している。
関連論文リスト
- 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) - A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph
Representation Learning with Application to Brain Disorder Identification [6.701251840474303]
自閉症スペクトラム障害(ASD)識別のための動的脳内FCネットワークのトポロジカル構造を学習するための深い確率的枠組みが提案されている。
提案するフレームワークは,動的FCネットワークをまたいだリッチテンポラルパターンを捕捉する空間認識型リカレントニューラルネットワークと,学習したパターンを対象レベルの分類に活用する完全適合型ニューラルネットワークを備えている。
静止状態機能型磁気共鳴画像データセットの評価により,ASDの同定において,我々のフレームワークは最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-14T18:42:17Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳(メタデータ) (2022-09-22T04:17:57Z) - 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) - A deep learning model for data-driven discovery of functional
connectivity [0.0]
本稿では,被験者を分類する学習の一環として,接続構造を学習する深層学習アーキテクチャBrainGNNを提案する。
統合失調症 fMRI データセットを用いて,そのモデルの最先端の分類性能を示す。
論文 参考訳(メタデータ) (2021-12-07T21:57:32Z) - Graph Autoencoders for Embedding Learning in Brain Networks and Major
Depressive Disorder Identification [13.907981019956832]
我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。
グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。
我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
論文 参考訳(メタデータ) (2021-07-27T14:12:39Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z) - Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。
St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
論文 参考訳(メタデータ) (2020-03-24T01:56:50Z) - Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。
深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。
私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
論文 参考訳(メタデータ) (2020-02-29T18:49:45Z)
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。