論文の概要: Learnable Community-Aware Transformer for Brain Connectome Analysis with Token Clustering

• arxiv url: http://arxiv.org/abs/2403.08203v1
• Date: Wed, 13 Mar 2024 02:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-14 15:49:56.090607
• Title: Learnable Community-Aware Transformer for Brain Connectome Analysis with Token Clustering
• Title（参考訳）: 脳コネクトーム解析のための学習型コミュニティ認識変換器 トークンクラスタリング
• Authors: Yanting Yang, Beidi Zhao, Zhuohao Ni, Yize Zhao, Xiaoxiao Li
• Abstract要約: 本稿では,共同コミュニティクラスタリングと分類のためのトークンクラスタリング脳トランスフォーマーモデル(texttTC-BrainTF$)を提案する。 我々の学習可能なコミュニティ対応モデルである $textttTC-BrainTF$ は自閉症スペクトラム障害(ASD)を識別し、性別を分類する精度を向上させることを実証した。
• 参考スコア（独自算出の注目度）: 18.248669456724116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuroscientific research has revealed that the complex brain network can be organized into distinct functional communities, each characterized by a cohesive group of regions of interest (ROIs) with strong interconnections. These communities play a crucial role in comprehending the functional organization of the brain and its implications for neurological conditions, including Autism Spectrum Disorder (ASD) and biological differences, such as in gender. Traditional models have been constrained by the necessity of predefined community clusters, limiting their flexibility and adaptability in deciphering the brain's functional organization. Furthermore, these models were restricted by a fixed number of communities, hindering their ability to accurately represent the brain's dynamic nature. In this study, we present a token clustering brain transformer-based model ($\texttt{TC-BrainTF}$) for joint community clustering and classification. Our approach proposes a novel token clustering (TC) module based on the transformer architecture, which utilizes learnable prompt tokens with orthogonal loss where each ROI embedding is projected onto the prompt embedding space, effectively clustering ROIs into communities and reducing the dimensions of the node representation via merging with communities. Our results demonstrate that our learnable community-aware model $\texttt{TC-BrainTF}$ offers improved accuracy in identifying ASD and classifying genders through rigorous testing on ABIDE and HCP datasets. Additionally, the qualitative analysis on $\texttt{TC-BrainTF}$ has demonstrated the effectiveness of the designed TC module and its relevance to neuroscience interpretations.
• Abstract（参考訳）: 神経科学的な研究により、複雑な脳ネットワークは異なる機能的共同体に分類でき、それぞれが強い相互接続を持つ関心領域(ROI)の結合的なグループによって特徴づけられることが明らかになった。 これらのコミュニティは、脳の機能的組織と、自閉症スペクトラム障害(ASD)や性差などの神経学的状態への影響を理解する上で重要な役割を担っている。 伝統的なモデルは、事前に定義されたコミュニティクラスタの必要性によって制約されており、脳の機能的組織を解読する際の柔軟性と適応性を制限する。 さらに、これらのモデルは一定数のコミュニティによって制限され、脳のダイナミックな性質を正確に表現する能力を妨げる。 本研究では,共同コミュニティクラスタリングと分類のためのトークンクラスタリング脳トランスフォーマーモデル(\texttt{TC-BrainTF}$)を提案する。 提案手法では,各ROI埋め込みが各ROI埋め込み空間に投影される直交損失を持つ学習可能なプロンプトトークンを用いて,新しいトークンクラスタリング(TC)モジュールを提案し,コミュニティにROIを効果的にクラスタリングし,コミュニティとマージすることでノード表現の次元を縮小する。 我々の学習可能なコミュニティ対応モデルである $\texttt{TC-BrainTF}$ は、ABIDE と HCP のデータセットの厳密なテストを通じて、ASD の識別と性別の分類の精度を向上させることを実証した。 さらに、$\texttt{TC-BrainTF}$における定性解析は、設計されたTCモジュールの有効性と神経科学解釈との関連性を実証した。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Growing Brains: Co-emergence of Anatomical and Functional Modularity in Recurrent Neural Networks [18.375521792153112]
  構成タスクで訓練されたリカレントニューラルネットワーク(RNN)は、機能的なモジュラリティを示すことができる。 我々は、脳に触発されたモジュラートレーニングという最近の機械学習手法を、合成認知タスクの集合を解決するためにトレーニングされているネットワークに適用する。 機能的および解剖学的クラスタリングが同時に出現し、機能的に類似したニューロンが空間的局所化および相互接続されるようになる。
  論文  参考訳（メタデータ） (2023-10-11T17:58:25Z)
• Community-Aware Transformer for Autism Prediction in fMRI Connectome [12.433556885503243]
  Com-BrainTFは、ASD予測タスクのためのコミュニティ内およびコミュニティ間ノード埋め込みを学習する階層的なローカル・グローバル・トランスフォーマーアーキテクチャである。 我々のモデルは、ABIDEデータセット上での最先端(SOTA)アーキテクチャよりも優れており、アテンションモジュールから明らかな高い解釈可能性を持っている。
  論文  参考訳（メタデータ） (2023-06-24T23:52:57Z)
• 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)
• Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
  本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。 階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-06T22:14:13Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、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キャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• 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)
• Identification of brain states, transitions, and communities using functional MRI [0.5872014229110214]
  ベイズモデルに基づく潜在脳状態のキャラクタリゼーションを提案し,後方予測の不一致に基づく新しい手法を提案する。 タスク-fMRIデータの解析により得られた結果は、外部タスク要求と脳状態間の変化点の間の適切な遅延を示す。
  論文  参考訳（メタデータ） (2021-01-26T08:10:00Z)

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。