論文の概要: HyperBrain: Anomaly Detection for Temporal Hypergraph Brain Networks

• arxiv url: http://arxiv.org/abs/2410.02087v1
• Date: Wed, 2 Oct 2024 23:20:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 08:55:37.095436
• Title: HyperBrain: Anomaly Detection for Temporal Hypergraph Brain Networks
• Title（参考訳）: HyperBrain: 時間的ハイパーグラフ脳ネットワークの異常検出
• Authors: Sadaf Sadeghian, Xiaoxiao Li, Margo Seltzer,
• Abstract要約: HyperBrainは、時間的ハイパーグラフ脳ネットワークのための教師なしの異常検出フレームワークである。 新しくカスタマイズされた側頭歩行(BrainWalk)とニューラルエンコーディングを使用して、脳領域間の異常なコアクティベーションを検出する。 HyperBrainから得られた結果は、これらの脳疾患に関する臨床研究と一致している。
• 参考スコア（独自算出の注目度）: 19.484750476697833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying unusual brain activity is a crucial task in neuroscience research, as it aids in the early detection of brain disorders. It is common to represent brain networks as graphs, and researchers have developed various graph-based machine learning methods for analyzing them. However, the majority of existing graph learning tools for the brain face a combination of the following three key limitations. First, they focus only on pairwise correlations between regions of the brain, limiting their ability to capture synchronized activity among larger groups of regions. Second, they model the brain network as a static network, overlooking the temporal changes in the brain. Third, most are designed only for classifying brain networks as healthy or disordered, lacking the ability to identify abnormal brain activity patterns linked to biomarkers associated with disorders. To address these issues, we present HyperBrain, an unsupervised anomaly detection framework for temporal hypergraph brain networks. HyperBrain models fMRI time series data as temporal hypergraphs capturing dynamic higher-order interactions. It then uses a novel customized temporal walk (BrainWalk) and neural encodings to detect abnormal co-activations among brain regions. We evaluate the performance of HyperBrain in both synthetic and real-world settings for Autism Spectrum Disorder and Attention Deficit Hyperactivity Disorder(ADHD). HyperBrain outperforms all other baselines on detecting abnormal co-activations in brain networks. Furthermore, results obtained from HyperBrain are consistent with clinical research on these brain disorders. Our findings suggest that learning temporal and higher-order connections in the brain provides a promising approach to uncover intricate connectivity patterns in brain networks, offering improved diagnosis.
• Abstract（参考訳）: 異常な脳活動の同定は神経科学研究において重要な課題であり、脳疾患の早期発見に役立つ。 脳ネットワークをグラフとして表現することは一般的であり、研究者はそれらを解析するための様々なグラフベースの機械学習手法を開発した。 しかし、既存の脳のグラフ学習ツールのほとんどは、以下の3つの重要な制限の組合せに直面している。 まず、脳の領域間の一対の相関にのみ焦点をあて、大きな領域のグループ間で同期された活動を捉える能力を制限する。 第2に、彼らは脳ネットワークを静的ネットワークとしてモデル化し、脳の時間的変化を見渡す。 第3に、大部分は脳ネットワークを健康的または障害と分類するためにのみ設計されており、障害に関連するバイオマーカーに関連する異常な脳活動パターンを識別する能力がない。 これらの問題に対処するために、時間的ハイパーグラフ脳ネットワークのための教師なし異常検出フレームワークHyperBrainを提案する。 HyperBrainはfMRI時系列データを時間ハイパーグラフとしてモデル化し、動的高次相互作用をキャプチャする。 次に、新しいカスタマイズされた側頭歩行(BrainWalk)とニューラルエンコーディングを使用して、脳の領域間の異常なコアクティベーションを検出する。 自閉症スペクトラム障害と注意欠陥高活動障害(ADHD)の総合的および現実的設定におけるHyperBrainの性能評価を行った。 HyperBrainは、脳ネットワークにおける異常なコアクティベーションの検出において、他のすべてのベースラインよりも優れています。 さらに、HyperBrainから得られた結果は、これらの脳疾患に関する臨床研究と一致している。 以上の結果から,脳内の時間的・高次接続の学習は,脳ネットワークにおける複雑な接続パターンを明らかにする上で有望なアプローチであり,診断精度の向上をもたらすことが示唆された。

関連論文リスト

• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• 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)
• 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)
• BrainWave: A Brain Signal Foundation Model for Clinical Applications [21.624743680602744]
  我々は、侵襲的および非侵襲的なニューラル記録のための最初の基礎モデルであるBrainWaveを提示する。 ブレインウェーブは、約16,000人の個人から4万時間以上の電気的脳記録(13.79TBのデータ)を事前訓練した。 分析の結果、BrainWaveは他の競合モデルよりも優れており、神経疾患の診断と診断における最先端のパフォーマンスを一貫して達成していることがわかった。
  論文  参考訳（メタデータ） (2024-02-15T16:04:11Z)
• Transformer-Based Hierarchical Clustering for Brain Network Analysis [13.239896897835191]
  本稿では,階層型クラスタ同定と脳ネットワーク分類のための新しい解釈可能なトランスフォーマーモデルを提案する。 階層的クラスタリング(hierarchical clustering)の助けを借りて、このモデルは精度の向上と実行時の複雑性の低減を実現し、脳領域の機能的構造に関する明確な洞察を提供する。
  論文  参考訳（メタデータ） (2023-05-06T22:14:13Z)
• Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
  脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。 被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。 アルツハイマー病の場合、提案モデルは、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の既存のツールキットの結果より優れている。
  論文  参考訳（メタデータ） (2023-03-11T14:04:58Z)
• 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)
• A Network Theory Investigation into the Altered Resting State Functional Connectivity in Attention-Deficit Hyperactivity Disorder [1.3416169841532526]
  fMRIは、様々な神経心理学的機能を実行している間に、健康で病理的な脳の研究を可能にする。 最近のニューロイメージング研究は、グラフやネットワークの観点から脳活動のモデリングと分析が増加している。 本研究の目的は、注意欠陥高活動障害(ADHD)を有する成人における安静時脳機能異常について検討することである。
  論文  参考訳（メタデータ） (2022-11-23T00:35:16Z)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory [0.0]
  脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。 最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。 本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
  論文  参考訳（メタデータ） (2021-10-06T09:25:55Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。