論文の概要: SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features

• arxiv url: http://arxiv.org/abs/2411.05825v1
• Date: Tue, 05 Nov 2024 08:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:00.922518
• Title: SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features
• Title（参考訳）: SurfGNN:空間的特徴と皮質的特徴のコアクティベーションマップの解釈可能性を備えた頑健な表面ベース予測モデル
• Authors: Zhuoshuo Li, Jiong Zhang, Youbing Zeng, Jiaying Lin, Dan Zhang, Jianjia Zhang, Duan Xu, Hosung Kim, Bingguang Liu, Mengting Liu,
• Abstract要約: 現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。 本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-サーフェスグラフニューラルネットワーク(SurfGNN)を提案する。 SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理する。
• 参考スコア（独自算出の注目度）: 17.457540767016223
• License:
• Abstract: Current brain surface-based prediction models often overlook the variability of regional attributes at the cortical feature level. While graph neural networks (GNNs) excel at capturing regional differences, they encounter challenges when dealing with complex, high-density graph structures. In this work, we consider the cortical surface mesh as a sparse graph and propose an interpretable prediction model-Surface Graph Neural Network (SurfGNN). SurfGNN employs topology-sampling learning (TSL) and region-specific learning (RSL) structures to manage individual cortical features at both lower and higher scales of the surface mesh, effectively tackling the challenges posed by the overly abundant mesh nodes and addressing the issue of heterogeneity in cortical regions. Building on this, a novel score-weighted fusion (SWF) method is implemented to merge nodal representations associated with each cortical feature for prediction. We apply our model to a neonatal brain age prediction task using a dataset of harmonized MR images from 481 subjects (503 scans). SurfGNN outperforms all existing state-of-the-art methods, demonstrating an improvement of at least 9.0% and achieving a mean absolute error (MAE) of 0.827+0.056 in postmenstrual weeks. Furthermore, it generates feature-level activation maps, indicating its capability to identify robust regional variations in different morphometric contributions for prediction.
• Abstract（参考訳）: 現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。 グラフニューラルネットワーク(GNN)は地域差を捉えるのに優れていますが、複雑な高密度グラフ構造を扱う場合、課題に直面します。 本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-Surface Graph Neural Network (SurfGNN)を提案する。 SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理し、過剰に多量のメッシュノードによって引き起こされる課題に効果的に対処し、皮質領域における不均一性の問題に対処する。 これに基づいて、各皮質の特徴に付随する結節表現を融合して予測するために、新しいスコア重み付き融合(SWF)法を実装した。 我々は,481例(503スキャン)の高調波MR画像のデータセットを用いて,新生児脳年齢予測タスクに本モデルを適用した。 SurfGNNは既存の最先端の手法を全て上回り、少なくとも9.0%の改善と平均絶対誤差(MAE)の0.827+0.056を経時的に達成している。 さらに特徴レベルのアクティベーションマップを生成し、予測のための様々な形態的貢献において、ロバストな地域変動を特定する能力を示す。

関連論文リスト

• Cybercrime Prediction via Geographically Weighted Learning [0.24578723416255752]
  地理的緯度と長手点を考慮したグラフニューラルネットワークモデルを提案する。 合成データセットを用いて,サイバーセキュリティの4クラス分類問題にアルゴリズムを適用した。 従来のニューラルネットワークや畳み込みニューラルネットワークよりも精度が高いことを示す。
  論文  参考訳（メタデータ） (2024-11-07T11:46:48Z)
• Positional Encoder Graph Quantile Neural Networks for Geographic Data [4.277516034244117]
  我々は,PE-GNN,Quantile Neural Networks,および再校正技術を完全非パラメトリックフレームワークに統合する新しい手法である,位置グラフ量子ニューラルネットワーク(PE-GQNN)を紹介する。 ベンチマークデータセットの実験では、PE-GQNNは予測精度と不確実性の定量化の両方で既存の最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-09-27T16:02:12Z)
• Hybridization of Persistent Homology with Neural Networks for Time-Series Prediction: A Case Study in Wave Height [0.0]
  本稿では,ニューラルネットワークモデルの予測性能を向上させる機能工学手法を提案する。 具体的には、計算トポロジ手法を利用して、入力データから貴重なトポロジ的特徴を導出する。 タイムアヘッド予測では、FNN、RNN、LSTM、GRUモデルにおいて、R2$スコアの強化が重要だった。
  論文  参考訳（メタデータ） (2024-09-03T01:26:21Z)
• Exploring Geometric Deep Learning For Precipitation Nowcasting [28.44612565923532]
  そこで我々は,降水量予測のための幾何学的深層学習に基づく時間的グラフ畳み込みネットワーク(GCN)を提案する。 格子セル間の相互作用をシミュレートする隣接行列は、予測と接地真理画素値とのL1損失を最小化することにより、自動的に学習される。 トレント/アイタリー地域におけるレーダ反射率マップの配列について実験を行った。
  論文  参考訳（メタデータ） (2023-09-11T21:14:55Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Topological obstructions in neural networks learning [67.8848058842671]
  損失勾配関数フローのグローバル特性について検討する。 損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
  論文  参考訳（メタデータ） (2020-12-31T18:53:25Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)
• Examining COVID-19 Forecasting using Spatio-Temporal Graph Neural Networks [8.949096210063662]
  本研究では,グラフニューラルネットワークと移動データを用いた新型コロナウイルスのケース予測の新しい予測手法について検討する。 我々は、このアプローチを米国の郡レベルのCOVID-19データセットで評価し、グラフニューラルネットワークが活用する豊かな空間的・時間的情報により、複雑なダイナミクスを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-07-06T23:11:38Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。