論文の概要: STNAGNN: Data-driven Spatio-temporal Brain Connectivity beyond FC

• arxiv url: http://arxiv.org/abs/2406.12065v2
• Date: Tue, 08 Apr 2025 04:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:25:37.955606
• Title: STNAGNN: Data-driven Spatio-temporal Brain Connectivity beyond FC
• Title（参考訳）: STNAGNN:データ駆動型時空間脳結合性
• Authors: Jiyao Wang, Nicha C. Dvornek, Peiyu Duan, Lawrence H. Staib, Pamela Ventola, James S. Duncan,
• Abstract要約: 機能接続(FC)はROI接続を推定する最も一般的な方法である。 ECは方向性の代替案として提案されているが、正確に見積もるのは困難である。 データ駆動の代替手段として,S-Temporal Node Attention Graph Neural Network (STNN)を提案する。
• 参考スコア（独自算出の注目度）: 9.35032090865023
• License:
• Abstract: In recent years, graph neural networks (GNNs) have been widely applied in the analysis of brain fMRI, yet defining the connectivity between ROIs remains a challenge in noisy fMRI data. Among all approaches, Functional Connectome (FC) is the most popular method. Computed by the correlation coefficients between ROI time series, FC is a powerful and computationally efficient way to estimate ROI connectivity. However, it is well known for neglecting structural connections and causality in ROI interactions. Also, FC becomes much more noisy in the short spatio-temporal sliding-window subsequences of fMRI. Effective Connectome (EC) is proposed as a directional alternative, but is difficult to accurately estimate. Furthermore, for optimal GNN performance, usually only a small percentage of the strongest connections are selected as sparse edges, resulting in oversimplification of complex brain connections. To tackle these challenges, we propose the Spatio-Temporal Node Attention Graph Neural Network (STNAGNN) as a data-driven alternative that combines sparse predefined FC with dense data-driven spatio-temporal connections, allowing for flexible and spatio-temporal learning of ROI interaction patterns.
• Abstract（参考訳）: 近年、グラフニューラルネットワーク(GNN)は脳のfMRI解析に広く応用されているが、fMRIデータではROI間の接続性を定義することが難しい。 あらゆる手法の中で、関数コネクトーム(FC)が最も一般的な方法である。 ROI時系列間の相関係数によって計算されたFCは、ROI接続を推定するための強力で計算的に効率的な方法である。 しかし、ROI相互作用における構造的結合や因果関係を無視したことはよく知られている。 また、fMRIの短時空間的スライディングウインドウ部分列では、FCの方がずっとうるさい。 方向性の代替として有効コネクトーム(EC)が提案されているが、正確に見積もるのは困難である。 さらに、最適GNN性能では、通常、最強接続のごく一部しかスパースエッジとして選択されず、複雑な脳の接続を単純化する。 これらの課題に対処するために、スパース事前定義されたFCと高密度なデータ駆動の時空間接続を組み合わせたデータ駆動の代替として、時空間ノード注意グラフニューラルネットワーク(STNAGNN)を提案する。

関連論文リスト

• Towards Zero-Shot Task-Generalizable Learning on fMRI [9.90774796922676]
  本稿では,異なるタスクで得られたタスクベースのfMRIを集約し,一般化可能なモデルをトレーニングするタスク認識ネットワークTA-GATを提案する。 提案したアーキテクチャは、どんなニューラルネットワークアーキテクチャでもプラグイン・アンド・プレイが可能で、fMRIタスクの以前の知識を機能的脳パターンのキャプチャに組み込むことができる。
  論文  参考訳（メタデータ） (2025-02-15T03:59:49Z)
• Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [84.03001845263]
  神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。 伝統的な物語分析は、しばしば単語の使用法や構文など、ミクロ構造における局所的な指標に焦点を当てる。 本稿では,話題の変化,時間的ダイナミクス,物語の時間的コヒーレンスを分析することによって,特定の認知的・言語的課題を解明することを提案する。
  論文  参考訳（メタデータ） (2025-01-07T12:16:26Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• 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)
• 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)

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。