論文の概要: SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation

• arxiv url: http://arxiv.org/abs/2501.07055v1
• Date: Mon, 13 Jan 2025 04:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:27:23.617151
• Title: SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation
• Title（参考訳）: 脳機能・構造コネクトーム翻訳のためのジェネレーティブ・アドバイサルネットワークSFC-GAN
• Authors: Yee-Fan Tan, Jun Lin Liow, Pei-Sze Tan, Fuad Noman, Raphael C. -W. Phan, Hernando Ombao, Chee-Ming Ting,
• Abstract要約: 構造Functional Connectivity GAN(SFC-GAN)は、脳コネクトーム間の双方向翻訳のための新しいフレームワークである。 これらのコネクトームのトポロジ的整合性を維持するため、我々は、グローバルなコネクトームパターンとローカルなコネクトームパターンの両方を捉える際に、モデルを導く構造保存損失を用いる。 本フレームワークは,SCとFC間の翻訳において優れた性能を示し,類似性およびグラフ特性評価においてベースラインモデルより優れた性能を示す。
• 参考スコア（独自算出の注目度）: 11.070185680800071
• License:
• Abstract: Modern brain imaging technologies have enabled the detailed reconstruction of human brain connectomes, capturing structural connectivity (SC) from diffusion MRI and functional connectivity (FC) from functional MRI. Understanding the intricate relationships between SC and FC is vital for gaining deeper insights into the brain's functional and organizational mechanisms. However, obtaining both SC and FC modalities simultaneously remains challenging, hindering comprehensive analyses. Existing deep generative models typically focus on synthesizing a single modality or unidirectional translation between FC and SC, thereby missing the potential benefits of bi-directional translation, especially in scenarios where only one connectome is available. Therefore, we propose Structural-Functional Connectivity GAN (SFC-GAN), a novel framework for bidirectional translation between SC and FC. This approach leverages the CycleGAN architecture, incorporating convolutional layers to effectively capture the spatial structures of brain connectomes. To preserve the topological integrity of these connectomes, we employ a structure-preserving loss that guides the model in capturing both global and local connectome patterns while maintaining symmetry. Our framework demonstrates superior performance in translating between SC and FC, outperforming baseline models in similarity and graph property evaluations compared to ground truth data, each translated modality can be effectively utilized for downstream classification.
• Abstract（参考訳）: 現代の脳画像技術は、ヒトの脳コネクトームの詳細な再構築を可能にし、拡散MRIから構造接続(SC)、機能MRIから機能接続(FC)を捉えている。 SCとFCの複雑な関係を理解することは、脳の機能的および組織的メカニズムについてより深い洞察を得るのに不可欠である。 しかし、SCとFCの両方のモダリティを同時に獲得することは、包括的な分析を妨げる。 既存の生成モデルでは、FCとSCの間の単一のモダリティまたは一方向の翻訳を合成することに重点を置いており、特に1つのコネクトームしか利用できないシナリオにおいて、双方向の翻訳の潜在的な利点を欠いている。 そこで本研究では,SC と FC の双方向翻訳のための新しいフレームワークである Structure-Functional Connectivity GAN (SFC-GAN) を提案する。 このアプローチはCycleGANアーキテクチャを活用し、脳コネクトームの空間構造を効果的に捉えるために畳み込み層を組み込む。 これらのコネクトームのトポロジカルな整合性を維持するため、対称性を維持しつつ、大域的および局所的なコネクトームパターンの両方を捉える際にモデルを導く構造保存損失を用いる。 本フレームワークは, SCとFCの翻訳性能, 類似性, グラフ特性評価において, 地上の真理データよりも優れており, 下流の分類において, それぞれの翻訳モダリティを効果的に活用できることを示す。

関連論文リスト

• GSSF: Generalized Structural Sparse Function for Deep Cross-modal Metric Learning [51.677086019209554]
  ペアワイド類似性学習のためのモダリティ間の強力な関係を捕捉する汎用構造スパースを提案する。 距離メートル法は、対角線とブロック対角線の2つの形式を微妙にカプセル化する。 クロスモーダルと2つの余分なユニモーダル検索タスクの実験は、その優位性と柔軟性を検証した。
  論文  参考訳（メタデータ） (2024-10-20T03:45:50Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
  構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である 脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-28T06:55:50Z)
• Dynamic Structural Brain Network Construction by Hierarchical Prototype Embedding GCN using T1-MRI [2.1580450836713574]
  T1-MRIに基づく新しい動的構造脳ネットワーク構築法を提案する。 まず、空間的関連チャネルをクラスタリングし、いくつかの重要な脳領域をプロトタイプとして生成する。 本稿では, 階層型脳意味構造を潜在空間に組み込むプロトタイプの分布を制限するために, 対照的な損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-17T09:22:20Z)
• ROSE: A Neurocomputational Architecture for Syntax [0.0]
  本稿では,ROSEモデルと呼ばれる構文のニューロ計算アーキテクチャを提案する。 ROSEでは、構文の基本データ構造は原子的特徴、心的表現のタイプ(R)であり、単一ユニットとアンサンブルレベルでコード化されている。 低周波カップリングと位相振幅カップリング(pSTS-IFGによるデルタ-テータカップリング、IFGによるテータ-ガンマカップリングから概念ハブへのテータ-ガンマカップリング)の識別形式は、これらの構造を異なるワークスペースにエンコードする(E)。
  論文  参考訳（メタデータ） (2023-03-15T18:44:37Z)
• Joint Graph Convolution for Analyzing Brain Structural and Functional Connectome [11.016035878136034]
  本稿では,脳領域間でネットワーク間エッジを付加することにより,個人の2つのネットワークを結合することを提案する。 ネットワーク間エッジの重みは学習可能であり、脳全体の非一様構造-機能結合強度を反映している。 青少年期におけるアルコール・神経発達に関する全国コンソーシアムの公開データセットから,662人の参加者の年齢と性別を予測するために共同GCNを適用した。
  論文  参考訳（メタデータ） (2022-10-27T23:43:34Z)
• Unified Embeddings of Structural and Functional Connectome via a Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
  機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。 これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
  論文  参考訳（メタデータ） (2022-07-05T21:39:13Z)
• 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)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
  本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。 本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-11T07:19:45Z)

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。