論文の概要: MHNet: Multi-view High-order Network for Diagnosing Neurodevelopmental Disorders Using Resting-state fMRI

• arxiv url: http://arxiv.org/abs/2407.03217v1
• Date: Wed, 3 Jul 2024 15:45:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 13:37:05.896189
• Title: MHNet: Multi-view High-order Network for Diagnosing Neurodevelopmental Disorders Using Resting-state fMRI
• Title（参考訳）: MHNet:静止状態fMRIを用いた神経発達障害診断のための多視点高次ネットワーク
• Authors: Yueyang Li, Weiming Zeng, Wenhao Dong, Luhui Cai, Lei Wang, Hongyu Chen, Hongjie Yan, Lingbin Bian, Nizhuan Wang,
• Abstract要約: NDD予測のためのマルチビューBFNから階層的・高次的特徴をキャプチャするマルチビュー高次ネットワーク(MHNet)を導入する。 MHNetには、ユークリッド空間特徴抽出(ESFE)モジュールと非ユークリッド空間特徴抽出(Non-ESFE)モジュールの2つのブランチがある。
• 参考スコア（独自算出の注目度）: 7.507775056200206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Deep learning models have shown promise in diagnosing neurodevelopmental disorders (NDD) like ASD and ADHD. However, many models either use graph neural networks (GNN) to construct single-level brain functional networks (BFNs) or employ spatial convolution filtering for local information extraction from rs-fMRI data, often neglecting high-order features crucial for NDD classification. Methods: We introduce a Multi-view High-order Network (MHNet) to capture hierarchical and high-order features from multi-view BFNs derived from rs-fMRI data for NDD prediction. MHNet has two branches: the Euclidean Space Features Extraction (ESFE) module and the Non-Euclidean Space Features Extraction (Non-ESFE) module, followed by a Feature Fusion-based Classification (FFC) module for NDD identification. ESFE includes a Functional Connectivity Generation (FCG) module and a High-order Convolutional Neural Network (HCNN) module to extract local and high-order features from BFNs in Euclidean space. Non-ESFE comprises a Generic Internet-like Brain Hierarchical Network Generation (G-IBHN-G) module and a High-order Graph Neural Network (HGNN) module to capture topological and high-order features in non-Euclidean space. Results: Experiments on three public datasets show that MHNet outperforms state-of-the-art methods using both AAL1 and Brainnetome Atlas templates. Extensive ablation studies confirm the superiority of MHNet and the effectiveness of using multi-view fMRI information and high-order features. Our study also offers atlas options for constructing more sophisticated hierarchical networks and explains the association between key brain regions and NDD. Conclusion: MHNet leverages multi-view feature learning from both Euclidean and non-Euclidean spaces, incorporating high-order information from BFNs to enhance NDD classification performance.
• Abstract（参考訳）: 背景: ディープラーニングモデルは、ASDやADHDのような神経発達障害(NDD)の診断において有望であることを示している。 しかし、多くのモデルはグラフニューラルネットワーク(GNN)を用いて単一レベル脳機能ネットワーク(BFN)を構築するか、rs-fMRIデータから局所的な情報抽出に空間畳み込みフィルタリングを用いる。 方法: NDD予測のためのrs-fMRIデータから得られた多面的BFNから階層的・高次的特徴を捉えるためのMHNet(Multi-view High-order Network)を導入する。 MHNet には Euclidean Space Features extract (ESFE) モジュールと Non-Euclidean Space Features extract (Non-ESFE) モジュールの2つのブランチがあり、次に NDD 識別のための Feature Fusion-based Classification (FFC) モジュールがある。 ESFEには、関数接続生成(FCG)モジュールと、ユークリッド空間のBFNから局所的および高次特徴を抽出する高次畳み込みニューラルネットワーク(HCNN)モジュールが含まれている。 非ESFEは、ジェネリックインターネットのような脳階層ネットワーク生成(G-IBHN-G)モジュールと、非ユークリッド空間における位相的および高次特徴をキャプチャする高階グラフニューラルネットワーク(HGNN)モジュールで構成される。 結果: 3つの公開データセットの実験によると、MHNetはAAL1とBrainnetome Atlasテンプレートの両方を使用して最先端のメソッドより優れている。 大規模なアブレーション研究により、MHNetの優位性と、マルチビューfMRI情報と高次特徴を用いた有効性が確認された。 我々の研究は、より洗練された階層型ネットワークを構築するためのアトラスオプションを提供し、主要な脳領域とNDDの関係を説明する。 結論:MHNetはユークリッド空間と非ユークリッド空間の両方からの多視点特徴学習を活用し,BFNからの高次情報を取り入れ,NDD分類性能を向上させる。

関連論文リスト

• Multi-Scale Direction-Aware Network for Infrared Small Target Detection [2.661766509317245]
  赤外小目標検出は、背景とターゲットを効果的に分離することが難しい問題に直面している。 我々は、赤外線小ターゲットの高周波方向特徴を統合するためのマルチスケール方向対応ネットワーク(MSDA-Net)を提案する。 MSDA-Netは、パブリックNUDT-SIRST、SIRST、IRSTD-1kデータセット上で、最先端(SOTA)結果を達成する。
  論文  参考訳（メタデータ） (2024-06-04T07:23:09Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Salient Object Detection in Optical Remote Sensing Images Driven by Transformer [69.22039680783124]
  光リモートセンシング画像(ORSI-SOD)のためのGlobal extract Local Exploration Network(GeleNet)を提案する。 具体的には、GeleNetはまずトランスフォーマーバックボーンを採用し、グローバルな長距離依存関係を持つ4レベルの機能埋め込みを生成する。 3つの公開データセットに関する大規模な実験は、提案されたGeleNetが関連する最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-09-15T07:14:43Z)
• Heterogeneous Graph Convolutional Neural Network via Hodge-Laplacian for Brain Functional Data [4.80657982213439]
  本研究では、複雑な脳fMRIデータを扱うために、新しいヘテロジニアスグラフ畳み込みニューラルネットワーク(HGCNN)を提案する。 ヘテロジニアスグラフ上のスペクトルフィルタの一般的な定式化は、$k-th$lacian (HL) 演算子を導入して行う。 HL-node, HL-edge, HL-HGCNNニューラルネットワークを設計し, それぞれグラフノード, エッジレベル, 両方で信号表現を学習する。
  論文  参考訳（メタデータ） (2023-02-18T12:58:50Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification [13.907981019956832]
  我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。 グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。 我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:12:39Z)
• Characterization Multimodal Connectivity of Brain Network by Hypergraph GAN for Alzheimer's Disease Analysis [30.99183477161096]
  脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。 DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
  論文  参考訳（メタデータ） (2021-07-21T09:02:29Z)
• Spatial Dependency Networks: Neural Layers for Improved Generative Image Modeling [79.15521784128102]
  画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。 空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。 空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-03-16T07:01:08Z)
• AdnFM: An Attentive DenseNet based Factorization Machine for CTR Prediction [11.958336595818267]
  Attentive DenseNet based Factorization Machines (AdnFM) と呼ばれる新しいモデルを提案する。 AdnFMはフィードフォワードニューラルネットワークから隠されたすべての層を暗黙の高次の特徴として使用することにより、より包括的な深い特徴を抽出することができる。 2つの実世界のデータセットにおける実験により、提案モデルがクリックスルーレート予測の性能を効果的に向上できることが示されている。
  論文  参考訳（メタデータ） (2020-12-20T01:00:39Z)
• When Residual Learning Meets Dense Aggregation: Rethinking the Aggregation of Deep Neural Networks [57.0502745301132]
  我々は,グローバルな残差学習と局所的なマイクロセンスアグリゲーションを備えた新しいアーキテクチャであるMicro-Dense Netsを提案する。 我々のマイクロセンスブロックはニューラルアーキテクチャ検索に基づくモデルと統合して性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-04-19T08:34:52Z)

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。