Fugu-MT 論文翻訳(概要): STNAGNN: Spatiotemporal Node Attention Graph Neural Network for Task-based fMRI Analysis

論文の概要: STNAGNN: Spatiotemporal Node Attention Graph Neural Network for Task-based fMRI Analysis

arxiv url: http://arxiv.org/abs/2406.12065v1
Date: Mon, 17 Jun 2024 20:08:05 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 23:57:20.001813
Title: STNAGNN: Spatiotemporal Node Attention Graph Neural Network for Task-based fMRI Analysis
Title（参考訳）: STNAGNN:タスクベースfMRI解析のための時空間ノード注意グラフニューラルネットワーク
Authors: Jiyao Wang, Nicha C. Dvornek, Peiyu Duan, Lawrence H. Staib, Pamela Ventola, James S. Duncan,
Abstract要約: タスク駆動型データ構造は自閉症解析に有効であることを示す。本稿では,GNNに基づくタスクベースアーキテクチャを提案し,その性能を自閉症タスクで検証する。
参考スコア（独自算出の注目度）: 9.35032090865023
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Task-based fMRI uses actions or stimuli to trigger task-specific brain responses and measures them using BOLD contrast. Despite the significant task-induced spatiotemporal brain activation fluctuations, most studies on task-based fMRI ignore the task context information aligned with fMRI and consider task-based fMRI a coherent sequence. In this paper, we show that using the task structures as data-driven guidance is effective for spatiotemporal analysis. We propose STNAGNN, a GNN-based spatiotemporal architecture, and validate its performance in an autism classification task. The trained model is also interpreted for identifying autism-related spatiotemporal brain biomarkers.
Abstract（参考訳）: タスクベースのfMRIは、アクションまたは刺激を使用して、タスク固有の脳反応をトリガーし、BOLDコントラストを使用してそれらを測定する。タスクによる時空間脳活動の著しい変動にもかかわらず、タスクベースfMRIの研究の多くは、タスクコンテキスト情報がfMRIと一致していることを無視し、タスクベースfMRIをコヒーレントなシーケンスとみなす。本稿では,タスク構造をデータ駆動型ガイダンスとして用いることが時空間分析に有効であることを示す。本稿では,GNNに基づく時空間アーキテクチャSTNAGNNを提案し,その性能を自閉症分類タスクで検証する。トレーニングされたモデルは、自閉症に関連する時空間脳バイオマーカーを特定するためにも解釈される。

関連論文リスト

Uncovering cognitive taskonomy through transfer learning in masked autoencoder-based fMRI reconstruction [6.3348067441225915]
機能的磁気共鳴画像(fMRI)データを再構成するために,マスク付きオートエンコーダ(MAE)モデルを用いる。本研究は,maEモデルを用いたfMRI再構成により,潜在表現の発見が可能であることを示唆する。
論文参考訳（メタデータ） (2024-05-24T09:29:16Z)
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)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Learning Sequential Information in Task-based fMRI for Synthetic Data Augmentation [10.629487323161323]
本稿では、下流学習における強化トレーニングデータセットの作成に使用できる合成fMRIシーケンスの生成手法を提案する。合成画像は、可視化や自閉症スペクトラム障害(ASD)分類タスクを含む複数の視点から評価される。
論文参考訳（メタデータ） (2023-08-29T18:36:21Z)
Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
論文参考訳（メタデータ） (2023-07-14T08:51:03Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
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)
GATE: Graph CCA for Temporal SElf-supervised Learning for Label-efficient fMRI Analysis [25.4835612758922]
人口グラフに基づく疾患解析では、グラフ畳み込みニューラルネットワーク(GCN)が顕著に成功している。本稿では,GCNを用いた新しい,理論駆動型自己教師学習フレームワーク,すなわち,fMRI解析GATEにおける時間的自己教師学習のためのグラフCCAを提案する。本手法は2つの独立したfMRIデータセットを用いて検討し,自閉症と認知症診断における優れた性能を示す。
論文参考訳（メタデータ） (2022-03-17T02:23:30Z)
Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文参考訳（メタデータ） (2021-12-06T10:16:54Z)
Attend and Decode: 4D fMRI Task State Decoding Using Attention Models [2.6954666679827137]
我々は、Brain Attend and Decode (BAnD)と呼ばれる新しいアーキテクチャを提案する。 BAnDは残留畳み込みニューラルネットワークを用いて空間的特徴抽出と時間的モデリングを行う。我々は,Human Connectome Project-Young Adult データセットの 7-task ベンチマークによる以前の研究と比較して,大幅な性能向上を実現している。
論文参考訳（メタデータ） (2020-04-10T21:29:34Z)
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)

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。