論文の概要: Contrasformer: A Brain Network Contrastive Transformer for Neurodegenerative Condition Identification
- arxiv url: http://arxiv.org/abs/2409.10944v1
- Date: Tue, 17 Sep 2024 07:26:02 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 17:38:43.626261
- Title: Contrasformer: A Brain Network Contrastive Transformer for Neurodegenerative Condition Identification
- Title（参考訳）: Contrasformer: 神経変性状態同定のための脳ネットワークコントラスト変換器
- Authors: Jiaxing Xu, Kai He, Mengcheng Lan, Qingtian Bian, Wei Li, Tieying Li, Yiping Ke, Miao Qiao,
- Abstract要約: 本稿では,新しいコントラスト型脳ネットワークトランスであるContrasformerを提案する。
サブポピュレーション間の分布シフトに対処するために、事前知識付きコントラストグラフを生成する。
コントラストフォーマーは、最大10.8%の精度向上によって、脳ネットワークの最先端の手法より優れている。
- 参考スコア（独自算出の注目度）: 15.24676785238373
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Understanding neurological disorder is a fundamental problem in neuroscience, which often requires the analysis of brain networks derived from functional magnetic resonance imaging (fMRI) data. Despite the prevalence of Graph Neural Networks (GNNs) and Graph Transformers in various domains, applying them to brain networks faces challenges. Specifically, the datasets are severely impacted by the noises caused by distribution shifts across sub-populations and the neglect of node identities, both obstruct the identification of disease-specific patterns. To tackle these challenges, we propose Contrasformer, a novel contrastive brain network Transformer. It generates a prior-knowledge-enhanced contrast graph to address the distribution shifts across sub-populations by a two-stream attention mechanism. A cross attention with identity embedding highlights the identity of nodes, and three auxiliary losses ensure group consistency. Evaluated on 4 functional brain network datasets over 4 different diseases, Contrasformer outperforms the state-of-the-art methods for brain networks by achieving up to 10.8\% improvement in accuracy, which demonstrates its efficacy in neurological disorder identification. Case studies illustrate its interpretability, especially in the context of neuroscience. This paper provides a solution for analyzing brain networks, offering valuable insights into neurological disorders. Our code is available at \url{https://github.com/AngusMonroe/Contrasformer}.
- Abstract（参考訳）: 神経疾患を理解することは神経科学の基本的な問題であり、機能的磁気共鳴イメージング(fMRI)データから得られる脳ネットワークの分析を必要とすることが多い。
グラフニューラルネットワーク(GNN)やグラフトランスフォーマーがさまざまな領域で普及しているにも関わらず、それらを脳ネットワークに適用することは課題に直面している。
特に、データセットは、サブ人口間の分布シフトとノードアイデンティティの無視によって引き起こされるノイズに大きく影響され、どちらも疾患固有のパターンの識別を妨げている。
これらの課題に対処するために,新しいコントラスト型脳ネットワークトランスフォーマーであるContrasformerを提案する。
2ストリームのアテンション機構により、サブポピュレーション間の分布シフトに対処するために、事前知識付きコントラストグラフを生成する。
アイデンティティの埋め込みによる横断的な注意はノードの同一性を強調し、3つの補助的損失によってグループ一貫性が保証される。
コントラスフォーマーは4つの異なる疾患にまたがる4つの機能的脳ネットワークデータセットに基づいて評価され、最大10.8倍の精度向上を達成し、脳ネットワークの最先端の手法よりも優れている。
ケーススタディは、特に神経科学の文脈において、その解釈可能性を示している。
本稿では,脳ネットワーク解析のソリューションを提供し,神経疾患に関する貴重な知見を提供する。
私たちのコードは \url{https://github.com/AngusMonroe/Contrasformer} で利用可能です。
関連論文リスト
- BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。
遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
論文 参考訳（メタデータ） (2024-04-30T10:53:30Z) - Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
早期認知症への転換の予測は、その進行を緩和するために重要である。
従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。
Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
論文 参考訳（メタデータ） (2024-03-20T06:46:01Z) - Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳（メタデータ） (2023-02-23T09:22:05Z) - Interpretable Graph Neural Networks for Connectome-Based Brain Disorder
Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。
提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文 参考訳（メタデータ） (2022-06-30T08:02:05Z) - Searching for the Essence of Adversarial Perturbations [73.96215665913797]
本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。
この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
論文 参考訳（メタデータ） (2022-05-30T18:04:57Z) - 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) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳（メタデータ） (2022-03-18T07:05:27Z) - BrainNNExplainer: An Interpretable Graph Neural Network Framework for
Brain Network based Disease Analysis [23.961196793115786]
疾患予測のための解釈可能な脳ネットワークモデルは、神経科学の進歩に非常に有用である。
BrainNNExplainerは、脳ネットワーク分析のための解釈可能なGNNフレームワークである。
論文 参考訳（メタデータ） (2021-07-11T17:33:02Z) - Joint Embedding of Structural and Functional Brain Networks with Graph
Neural Networks for Mental Illness Diagnosis [17.48272758284748]
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を解析するためのデファクトモデルとなっている。
我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。
特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
論文 参考訳（メタデータ） (2021-07-07T13:49:57Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。
MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
論文 参考訳（メタデータ） (2019-12-03T03:46:14Z)
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。