論文の概要: Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks
- arxiv url: http://arxiv.org/abs/2408.13830v1
- Date: Sun, 25 Aug 2024 13:15:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 17:40:08.936118
- Title: Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks
- Title（参考訳）: Multi-SIGATnet:スパース相互作用機構とグラフアテンションネットワークを用いた多モード統合失調症MRI分類アルゴリズム
- Authors: Yuhong Jiao, Jiaqing Miao, Jinnan Gong, Hui He, Ping Liang, Cheng Luo, Ying Tan,
- Abstract要約: 分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。
このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
- 参考スコア（独自算出の注目度）: 8.703026708558157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Schizophrenia is a serious psychiatric disorder. Its pathogenesis is not completely clear, making it difficult to treat patients precisely. Because of the complicated non-Euclidean network structure of the human brain, learning critical information from brain networks remains difficult. To effectively capture the topological information of brain neural networks, a novel multimodal graph attention network based on sparse interaction mechanism (Multi-SIGATnet) was proposed for SZ classification was proposed for SZ classification. Firstly, structural and functional information were fused into multimodal data to obtain more comprehensive and abundant features for patients with SZ. Subsequently, a sparse interaction mechanism was proposed to effectively extract salient features and enhance the feature representation capability. By enhancing the strong connections and weakening the weak connections between feature information based on an asymmetric convolutional network, high-order interactive features were captured. Moreover, sparse learning strategies were designed to filter out redundant connections to improve model performance. Finally, local and global features were updated in accordance with the topological features and connection weight constraints of the higher-order brain network, the features being projected to the classification target space for disorder classification. The effectiveness of the model is verified on the Center for Biomedical Research Excellence (COBRE) and University of California Los Angeles (UCLA) datasets, achieving 81.9\% and 75.8\% average accuracy, respectively, 4.6\% and 5.5\% higher than the graph attention network (GAT) method. Experiments showed that the Multi-SIGATnet method exhibited good performance in identifying SZ.
- Abstract（参考訳）: 統合失調症は重度の精神疾患である。
病原性は完全には明らかではなく、患者を正確に治療することは困難である。
ヒト脳の複雑な非ユークリッドネットワーク構造のため、脳ネットワークから重要な情報を学ぶことは難しいままである。
脳神経ネットワークのトポロジ的情報を効果的に把握するために、SZ分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいマルチモーダルグラフアテンションネットワークを提案した。
まず,SZ患者に対して,より包括的で豊富な特徴を得るために,構造的・機能的情報をマルチモーダルデータに融合させた。
その後, 健全な特徴を効果的に抽出し, 特徴表現能力を高めるためのスパース相互作用機構が提案された。
非対称畳み込みネットワークに基づく特徴情報間の弱い接続を弱めることにより、高次の対話的特徴を捉えた。
さらに、余分な接続をフィルタリングしてモデル性能を改善するためにスパース学習戦略が設計された。
最後に、高次脳ネットワークのトポロジ的特徴と接続重み制約に応じて局所的特徴とグローバル的特徴を更新し、障害分類のための分類対象空間に投影した。
このモデルの有効性は、COBRE(Center for Biomedical Research Excellence)とUCLA(University of California Los Angeles)のデータセットで検証され、それぞれ81.9\%と75.8\%の平均精度がグラフアテンションネットワーク(GAT)よりも4.6\%と5.5\%高い。
実験の結果,Multi-SIGATnet法はSZの同定に優れた性能を示した。
関連論文リスト
- Online Multi-modal Root Cause Analysis [61.94987309148539]
ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。
既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。
OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
論文 参考訳（メタデータ） (2024-10-13T21:47:36Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Multi-stages attention Breast cancer classification based on nonlinear
spiking neural P neurons with autapses [10.16176106140093]
ディープネットワークにおけるダウンサンプリングは、情報の損失につながる可能性がある。
本稿では,アプタプを用いたNSNPニューロンに基づく多段階アテンションアーキテクチャを提案する。
全ての倍率ケースにおいて96.32%の分類精度を達成し、最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-12-20T06:52:38Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - Fusing Structural and Functional Connectivities using Disentangled VAE
for Detecting MCI [9.916963496386089]
階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。
公的な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で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-16T05:22:25Z) - Multi-modal Dynamic Graph Network: Coupling Structural and Functional
Connectome for Disease Diagnosis and Classification [8.67028273829113]
構造的および機能的脳ネットワーク学習のためのマルチモーダル動的グラフ畳み込みネットワーク(MDGCN)を提案する。
本手法は,モーダル間表現のモデル化と動的グラフへの注意的多モデル関連付けの利点を生かした。
論文 参考訳（メタデータ） (2022-10-25T02:41:32Z) - 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) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - Identifying Autism Spectrum Disorder Based on Individual-Aware
Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。
本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文 参考訳（メタデータ） (2021-09-19T14:22:55Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳（メタデータ） (2020-07-05T08:16:03Z)
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。