論文の概要: Identifying Influential nodes in Brain Networks via Self-Supervised Graph-Transformer
- arxiv url: http://arxiv.org/abs/2409.11174v1
- Date: Tue, 17 Sep 2024 13:31:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-18 16:35:30.191557
- Title: Identifying Influential nodes in Brain Networks via Self-Supervised Graph-Transformer
- Title（参考訳）: 自己監督型グラフ変換器による脳ネットワーク内の流入ノードの同定
- Authors: Yanqing Kang, Di Zhu, Haiyang Zhang, Enze Shi, Sigang Yu, Jinru Wu, Xuhui Wang, Xuan Liu, Geng Chen, Xi Jiang, Tuo Zhang, Shu Zhang,
- Abstract要約: 本稿では,グラフ変換器(SSGR-GT)をベースとした自己教師付きグラフ再構成フレームワークを提案する。
得られたI-nodeは, 上前頭葉, 側頭頂葉, 後頭葉などの重要な部位に分布し, 合計56。
これらのIノードは、他の領域よりも多くの脳ネットワークに関与し、繊維接続が長く、構造接続においてより中心的な位置を占める。
- 参考スコア（独自算出の注目度）: 16.29053184190513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Studying influential nodes (I-nodes) in brain networks is of great significance in the field of brain imaging. Most existing studies consider brain connectivity hubs as I-nodes. However, this approach relies heavily on prior knowledge from graph theory, which may overlook the intrinsic characteristics of the brain network, especially when its architecture is not fully understood. In contrast, self-supervised deep learning can learn meaningful representations directly from the data. This approach enables the exploration of I-nodes for brain networks, which is also lacking in current studies. This paper proposes a Self-Supervised Graph Reconstruction framework based on Graph-Transformer (SSGR-GT) to identify I-nodes, which has three main characteristics. First, as a self-supervised model, SSGR-GT extracts the importance of brain nodes to the reconstruction. Second, SSGR-GT uses Graph-Transformer, which is well-suited for extracting features from brain graphs, combining both local and global characteristics. Third, multimodal analysis of I-nodes uses graph-based fusion technology, combining functional and structural brain information. The I-nodes we obtained are distributed in critical areas such as the superior frontal lobe, lateral parietal lobe, and lateral occipital lobe, with a total of 56 identified across different experiments. These I-nodes are involved in more brain networks than other regions, have longer fiber connections, and occupy more central positions in structural connectivity. They also exhibit strong connectivity and high node efficiency in both functional and structural networks. Furthermore, there is a significant overlap between the I-nodes and both the structural and functional rich-club. These findings enhance our understanding of the I-nodes within the brain network, and provide new insights for future research in further understanding the brain working mechanisms.
- Abstract（参考訳）: 脳ネットワークにおける影響ノード(Iノード)の研究は、脳イメージングの分野において非常に重要である。
既存の研究の多くは、脳接続ハブをIノードとみなしている。
しかし、このアプローチは、特にそのアーキテクチャが完全に理解されていない場合、脳ネットワークの本質的な特性を無視するグラフ理論からの事前知識に大きく依存する。
対照的に、自己教師型ディープラーニングはデータから直接意味のある表現を学習することができる。
このアプローチは、現在の研究にも欠けている脳ネットワークのためのIノードの探索を可能にする。
本稿では,グラフ変換器(SSGR-GT)をベースとした自己改善グラフ再構成フレームワークを提案する。
まず、自己監督モデルとして、SSGR-GTは再建に対する脳ノードの重要性を抽出する。
第2に、SSGR-GTはGraph-Transformerを使用している。
第3に、Iノードのマルチモーダル解析は、機能的および構造的脳情報を組み合わせたグラフベースの融合技術を使用する。
得られたI-nodesは, 上前頭葉, 外側頭頂葉, 外側頭頂葉などの重要な領域に分布し, 合計56個を異なる実験で同定した。
これらのIノードは、他の領域よりも多くの脳ネットワークに関与し、繊維接続が長く、構造接続においてより中心的な位置を占める。
また、機能的ネットワークと構造的ネットワークの両方において、強い接続性と高いノード効率を示す。
さらに、Iノードと構造的および機能的なリッチクラブの間には大きな重複がある。
これらの知見は脳ネットワーク内のI-ノードの理解を高め、脳の働きのメカニズムをさらに理解するための新たな知見を提供する。
関連論文リスト
- Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
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のマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2024-06-01T02:47:39Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - 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) - 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) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - 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) - Brain Graph Super-Resolution Using Adversarial Graph Neural Network with
Application to Functional Brain Connectivity [0.0]
ハイレゾリューション(HR)脳グラフの自動生成を試みる,世界初のディープグラフスーパーレゾリューション(GSR)フレームワークを提案する。
提案されたAGSR-Netフレームワークは、低解像度から高分解能機能脳グラフを予測するための変種を上回った。
論文 参考訳（メタデータ） (2021-05-02T09:09:56Z) - GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution
from Low-Resolution Functional Brain Connectomes [0.0]
低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Netを紹介する。
まず、非ユークリッドデータに特有のグラフ畳み込み、プーリング、アンプール操作に基づくU-Netのようなアーキテクチャを採用する。
第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、HRグラフを予測するために、グラフ超解像層と2つのグラフ畳み込みネットワーク層でトッピングすることで破壊する。
論文 参考訳（メタデータ） (2020-09-23T12:02:55Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳（メタデータ） (2020-07-13T17:59:31Z)
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。