論文の概要: Balanced Graph Structure Information for Brain Disease Detection

• arxiv url: http://arxiv.org/abs/2401.00876v1
• Date: Sat, 30 Dec 2023 06:50:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 15:38:52.864000
• Title: Balanced Graph Structure Information for Brain Disease Detection
• Title（参考訳）: 脳疾患検出のためのバランスグラフ構造情報
• Authors: Falih Gozi Febrinanto, Mujie Liu, Feng Xia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.799894169098717
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analyzing connections between brain regions of interest (ROI) is vital to detect neurological disorders such as autism or schizophrenia. Recent advancements employ graph neural networks (GNNs) to utilize graph structures in brains, improving detection performances. Current methods use correlation measures between ROI's blood-oxygen-level-dependent (BOLD) signals to generate the graph structure. Other methods use the training samples to learn the optimal graph structure through end-to-end learning. However, implementing those methods independently leads to some issues with noisy data for the correlation graphs and overfitting problems for the optimal graph. In this work, we proposed Bargrain (balanced graph structure for brains), which models two graph structures: filtered correlation matrix and optimal sample graph using graph convolution networks (GCNs). This approach aims to get advantages from both graphs and address the limitations of only relying on a single type of structure. Based on our extensive experiment, Bargrain outperforms state-of-the-art methods in classification tasks on brain disease datasets, as measured by average F1 scores.
• Abstract（参考訳）: 関心の脳領域(ROI)間の関係を分析することは、自閉症や統合失調症などの神経疾患を検出するのに不可欠である。 最近の進歩では、グラフニューラルネットワーク(GNN)を使用して、脳内のグラフ構造を活用し、検出性能を改善している。 現在の方法では、ROIの血液酸素レベル依存(BOLD)信号間の相関測定を用いてグラフ構造を生成する。 他の方法はトレーニングサンプルを使用して、エンドツーエンドの学習を通じて最適なグラフ構造を学ぶ。 しかし、これらの手法を独立に実装すると、相関グラフのノイズの多いデータや最適なグラフの過度に適合する問題が発生する。 本研究では,グラフ畳み込みネットワーク(GCN)を用いた相関行列と最適なサンプルグラフの2つのグラフ構造をモデル化したBargrain(脳のバランスグラフ構造)を提案する。 このアプローチは、両方のグラフから利点を得、単一のタイプの構造にのみ依存する制限に対処することを目的としています。 我々の広範な実験に基づいて,bargrainは,平均f1スコアで測定し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。

関連論文リスト

• Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction [1.9116784879310031]
  接続指紋を描写した形態的脳グラフは、脳の非結合性のパターンを表わす上で最重要である。 本稿では,対象グラフをソースグラフから予測する最初のグラフ拡散モデルであるグラフ残留雑音学習ネットワーク(Grenol-Net)を提案する。
  論文  参考訳（メタデータ） (2024-09-30T17:28:38Z)
• 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)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  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。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• 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)
• Interpretable Sparsification of Brain Graphs: Better Practices and Effective Designs for Graph Neural Networks [15.101250958437038]
  密度の高い脳グラフは、高い実行時間とメモリ使用量、限定的な解釈可能性を含む計算上の課題を生じさせる。 55.0%のエッジでグラフ分類性能を最大5.1%向上させる新しいモデルであるInterpretable Graph Sparsificationを提案する。
  論文  参考訳（メタデータ） (2023-06-26T01:37:10Z)
• 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)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• 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)
• Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network [1.6114012813668934]
  topoGANアーキテクチャを導入し、単一の脳グラフから複数の脳グラフを共同で予測する。 i) 1つのグラフから複数の脳グラフを予測する新しいグラフ対向オートエンコーダを設計すること、(ii)GANのモード崩壊問題に対処するために符号化されたソースグラフをクラスタリングすること、(iii)トポロジ的損失を導入して、トポロジ的ターゲット脳グラフの予測を強要することである。
  論文  参考訳（メタデータ） (2021-05-06T10:20:45Z)
• Node-Centric Graph Learning from Data for Brain State Identification [12.300937744235242]
  本稿では,グラフ上での表現学習に基づくグラフ学習手法を提案する。 頭蓋内脳波(iEEG)信号の広範囲なデータセットから,脳波の経時変化を10例から推定した。 このアプローチは、広く使われている2つの脳ネットワークモデリング手法と比較して平均9.13パーセント改善する。
  論文  参考訳（メタデータ） (2020-11-04T08:44:44Z)

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。