論文の概要: D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks

• arxiv url: http://arxiv.org/abs/2405.18658v1
• Date: Tue, 28 May 2024 23:49:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 21:23:36.494109
• Title: D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks
• Title（参考訳）: D-CoRP:機能的脳ネットワークのための微分接続性再構成
• Authors: Haoyu Hu, Hongrun Zhang, Chao Li,
• Abstract要約: 脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。 我々は脳の接続性を改善するための識別可能なモジュールを開発した。 実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 4.675640373196467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain network is an important tool for understanding the brain, offering insights for scientific research and clinical diagnosis. Existing models for brain networks typically primarily focus on brain regions or overlook the complexity of brain connectivities. MRI-derived brain network data is commonly susceptible to connectivity noise, underscoring the necessity of incorporating connectivities into the modeling of brain networks. To address this gap, we introduce a differentiable module for refining brain connectivity. We develop the multivariate optimization based on information bottleneck theory to address the complexity of the brain network and filter noisy or redundant connections. Also, our method functions as a flexible plugin that is adaptable to most graph neural networks. Our extensive experimental results show that the proposed method can significantly improve the performance of various baseline models and outperform other state-of-the-art methods, indicating the effectiveness and generalizability of the proposed method in refining brain network connectivity. The code will be released for public availability.
• Abstract（参考訳）: 脳ネットワークは脳を理解するための重要なツールであり、科学的研究と臨床診断のための洞察を提供する。 脳ネットワークの既存のモデルは、主に脳の領域に焦点を当てるか、または脳の結合性の複雑さを見落としている。 MRI由来の脳ネットワークデータは通常、接続ノイズの影響を受けやすいため、脳ネットワークのモデリングに接続性を導入する必要がある。 このギャップに対処するために、脳の接続性を改善するための識別可能なモジュールを導入する。 我々は,脳ネットワークの複雑さに対処し,ノイズや冗長な接続をフィルタするために,情報ボトルネック理論に基づく多変量最適化を開発する。 また,本手法は,ほとんどのグラフニューラルネットワークに適用可能な柔軟なプラグインとして機能する。 実験の結果,提案手法は様々なベースラインモデルの性能を著しく向上し,他の最先端手法よりも優れており,脳ネットワーク接続性の改善における提案手法の有効性と一般化性を示している。 コードは一般公開される予定だ。

関連論文リスト

• 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)
• BrainNetDiff: Generative AI Empowers Brain Network Generation via Multimodal Diffusion Model [7.894526238189559]
  我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。 健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
  論文  参考訳（メタデータ） (2023-11-09T08:27:12Z)
• 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)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• A Structure-guided Effective and Temporal-lag Connectivity Network for Revealing Brain Disorder Mechanisms [8.459311736323572]
  本研究では,脳領域間の因果関係と時間ラグ値の推測に有効な時間ラグニューラルネットワーク(termedN)を提案する。 アルツハイマー病神経画像イニシアチブ(ADNI)データベースにおける評価結果は,提案手法の有効性を示すものである。
  論文  参考訳（メタデータ） (2022-12-01T15:02:22Z)
• 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)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
  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を解析するためのデファクトモデルとなっている。 我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。 特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2021-07-07T13:49:57Z)
• Ensembling complex network 'perspectives' for mild cognitive impairment detection with artificial neural networks [5.194561180498554]
  本研究では,複合ネットワークとニューラルネットワークのパラダイムを共同利用した軽度の認知障害検出手法を提案する。 特に、この手法は、異なる脳構造「パースペクティブ」を人工ニューラルネットワークでアンサンブルすることに基づいている。
  論文  参考訳（メタデータ） (2021-01-26T08:38:11Z)
• 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)

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。