論文の概要: Graph Neural Networks for Brain Graph Learning: A Survey

• arxiv url: http://arxiv.org/abs/2406.02594v1
• Date: Sat, 1 Jun 2024 02:47:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 23:49:24.577152
• Title: Graph Neural Networks for Brain Graph Learning: A Survey
• Title（参考訳）: 脳グラフ学習のためのグラフニューラルネットワーク:サーベイ
• Authors: Xuexiong Luo, Jia Wu, Jian Yang, Shan Xue, Amin Beheshti, Quan Z. Sheng, David McAlpine, Paul Sowman, Alexis Giral, Philip S. Yu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.74244221027981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploring the complex structure of the human brain is crucial for understanding its functionality and diagnosing brain disorders. Thanks to advancements in neuroimaging technology, a novel approach has emerged that involves modeling the human brain as a graph-structured pattern, with different brain regions represented as nodes and the functional relationships among these regions as edges. Moreover, graph neural networks (GNNs) have demonstrated a significant advantage in mining graph-structured data. Developing GNNs to learn brain graph representations for brain disorder analysis has recently gained increasing attention. However, there is a lack of systematic survey work summarizing current research methods in this domain. In this paper, we aim to bridge this gap by reviewing brain graph learning works that utilize GNNs. We first introduce the process of brain graph modeling based on common neuroimaging data. Subsequently, we systematically categorize current works based on the type of brain graph generated and the targeted research problems. To make this research accessible to a broader range of interested researchers, we provide an overview of representative methods and commonly used datasets, along with their implementation sources. Finally, we present our insights on future research directions. The repository of this survey is available at \url{https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs}.
• Abstract（参考訳）: 人間の脳の複雑な構造を探索することは、その機能を理解し、脳の障害を診断するために重要である。 神経画像技術の進歩により、人間の脳をグラフ構造パターンとしてモデル化し、異なる脳領域をノードとして表現し、それらの領域間の機能的関係をエッジとして表現する新たなアプローチが出現した。 さらに、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学習のためのGNNの開発が最近注目されている。 しかし、この領域では現在の研究手法を要約する体系的な調査作業が欠如している。 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。 まず、一般的な神経画像データに基づく脳グラフモデリングのプロセスを紹介する。 その後、脳グラフのタイプと対象とする研究課題に基づいて、現在の研究を体系的に分類する。 この研究を幅広い興味を持つ研究者が利用できるようにするために、代表的手法と一般的に使用されるデータセットの概要と、その実装源について概説する。 最後に,今後の研究の方向性について考察する。 この調査のリポジトリは \url{https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs} で公開されている。

関連論文リスト

• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• Benchmarking Graph Neural Networks for FMRI analysis [0.0]
  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から学習するための強力なツールとして登場した。 うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。 機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
  論文  参考訳（メタデータ） (2022-11-16T14:16:54Z)
• Data-Driven Network Neuroscience: On Data Collection and Benchmark [6.796086914275059]
  本稿では,神経科学,機械学習,グラフ解析の交わりにおける潜在的な研究のための,機能的ヒト脳ネットワークデータの収集について述べる。 データセットは6つの異なるソースから始まり、4つの脳の状態をカバーし、合計で2,702人の被験者で構成されている。
  論文  参考訳（メタデータ） (2022-11-11T02:14:28Z)
• 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)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning and Neuroscience (VesselGraph) [3.846749674808336]
  本稿では,特定の画像プロトコルに基づく脳血管グラフの拡張可能なデータセットを提案する。 我々は,血管予測と血管分類の生物学的タスクについて,最先端のグラフ学習アルゴリズムを多数ベンチマークした。 我々の研究は、神経科学の分野におけるグラフ学習研究の進展への道を開いた。
  論文  参考訳（メタデータ） (2021-08-30T13:40:48Z)
• Graph Neural Networks in Network Neuroscience [1.6114012813668934]
  グラフニューラルネットワーク(GNN)は、ディープグラフ構造を学ぶための巧妙な方法を提供する。 GNNベースの手法は、脳グラフ合成の欠如や疾患の分類など、脳グラフに関連するいくつかのアプリケーションで使用されている。 神経疾患の診断と集団グラフ統合のためのネットワーク神経科学分野におけるGNNモデルのより良い応用に向けての道筋をグラフ化して結論付ける。
  論文  参考訳（メタデータ） (2021-06-07T11:49:57Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。