論文の概要: SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis

• arxiv url: http://arxiv.org/abs/2410.07201v1
• Date: Tue, 24 Sep 2024 18:35:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 21:37:02.377504
• Title: SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis
• Title（参考訳）: SpaRG: 一般化可能なfMRI解析のための疎再構成グラフ
• Authors: Camila González, Yanis Miraoui, Yiran Fan, Ehsan Adeli, Kilian M. Pohl,
• Abstract要約: 深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
• 参考スコア（独自算出の注目度）: 8.489318619991534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning can help uncover patterns in resting-state functional Magnetic Resonance Imaging (rs-fMRI) associated with psychiatric disorders and personal traits. Yet the problem of interpreting deep learning findings is rarely more evident than in fMRI analyses, as the data is sensitive to scanning effects and inherently difficult to visualize. We propose a simple approach to mitigate these challenges grounded on sparsification and self-supervision. Instead of extracting post-hoc feature attributions to uncover functional connections that are important to the target task, we identify a small subset of highly informative connections during training and occlude the rest. To this end, we jointly train a (1) sparse input mask, (2) variational autoencoder (VAE), and (3) downstream classifier in an end-to-end fashion. While we need a portion of labeled samples to train the classifier, we optimize the sparse mask and VAE with unlabeled data from additional acquisition sites, retaining only the input features that generalize well. We evaluate our method - Sparsely Reconstructed Graphs (SpaRG) - on the public ABIDE dataset for the task of sex classification, training with labeled cases from 18 sites and adapting the model to two additional out-of-distribution sites with a portion of unlabeled samples. For a relatively coarse parcellation (64 regions), SpaRG utilizes only 1% of the original connections while improving the classification accuracy across domains. Our code can be found at github.com/yanismiraoui/SpaRG.
• Abstract（参考訳）: 深層学習は、精神疾患や個人の特徴に関連する静止状態の機能的磁気共鳴イメージング(rs-fMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の知見を解釈する問題は、データが走査効果に敏感で、本質的に可視化が難しいため、fMRI分析より明らかになることは滅多にない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。 対象のタスクに重要な機能的接続を明らかにするために,ポストホックな特徴属性を抽出する代わりに,トレーニング中に高情報的接続のサブセットを同定し,残りを隠蔽する。 この目的のために,(1)スパース入力マスク,(2)変分オートエンコーダ(VAE),(3)下流分類器をエンドツーエンドで共同で訓練する。 分類器を訓練するためにラベル付きサンプルの一部が必要であるが、スパースマスクとVAEを追加の取得サイトからラベルなしのデータで最適化し、適切に一般化する入力機能のみを保持する。 SpaRG (Sparsely Reconstructed Graphs) をABIDEデータセット上で評価し, 性別分類のタスク, ラベル付き事例を用いた18のサイトからのトレーニング, および未ラベルのサンプルの一部を含む2つのアウト・オブ・ディストリビューション・サイトへのモデルの適用について検討した。 比較的粗いパーセレーション(64リージョン)では、SpaRGは、ドメイン間の分類精度を改善しながら、元の接続の1%しか利用していない。 私たちのコードはgithub.com/yanismiraoui/SpaRGで見られます。

関連論文リスト

• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Frequency Disentangled Learning for Segmentation of Midbrain Structures from Quantitative Susceptibility Mapping Data [1.9150304734969674]
  深層モデルでは、ターゲット関数を低周波数から高周波数に適合させる傾向がある。 ディープセグメンテーションモデルのトレーニングに十分なサンプルがない場合が多い。 周波数領域の絡み合いに基づく新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-25T04:30:11Z)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Longitudinal detection of new MS lesions using Deep Learning [0.0]
  新たなMS病変の検出・分節作業に対処するディープラーニングベースのパイプラインについて述べる。 まず,1つの時間点を用いたセグメンテーションタスクで訓練されたモデルからの移動学習を提案する。 第2に、新しい病変を伴う現実的な縦断時間を生成するためのデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-16T16:09:04Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。