論文の概要: Self-Clustering Graph Transformer Approach to Model Resting-State Functional Brain Activity
- arxiv url: http://arxiv.org/abs/2501.16345v2
- Date: Fri, 07 Feb 2025 08:57:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:54:17.798119
- Title: Self-Clustering Graph Transformer Approach to Model Resting-State Functional Brain Activity
- Title(参考訳): 自己クラスタリンググラフ変換器による静止状態機能脳活動のモデル化
- Authors: Bishal Thapaliya, Esra Akbas, Ram Sapkota, Bhaskar Ray, Vince Calhoun, Jingyu Liu,
- Abstract要約: 自己クラスタグラフ変換器(SCGT)は、グラフ変換器における一様ノード更新の問題を扱うように設計されている。
SCGTは、ノードにクラスタ固有の更新を実行することで、脳のサブネットワーク構造を効果的にキャプチャする。
我々は,7,957人の参加者からなる青年期脳認知発達データセットに対するアプローチを検証した。
- 参考スコア(独自算出の注目度): 1.382819379097036
- License:
- Abstract: Resting-state functional magnetic resonance imaging (rs-fMRI) offers valuable insights into the human brain's functional organization and is a powerful tool for investigating the relationship between brain function and cognitive processes, as it allows for the functional organization of the brain to be captured without relying on a specific task or stimuli. In this study, we introduce a novel attention mechanism for graphs with subnetworks, named Self-Clustering Graph Transformer (SCGT), designed to handle the issue of uniform node updates in graph transformers. By using static functional connectivity (FC) correlation features as input to the transformer model, SCGT effectively captures the sub-network structure of the brain by performing cluster-specific updates to the nodes, unlike uniform node updates in vanilla graph transformers, further allowing us to learn and interpret the subclusters. We validate our approach on the Adolescent Brain Cognitive Development (ABCD) dataset, comprising 7,957 participants, for the prediction of total cognitive score and gender classification. Our results demonstrate that SCGT outperforms the vanilla graph transformer method and other recent models, offering a promising tool for modeling brain functional connectivity and interpreting the underlying subnetwork structures.
- Abstract(参考訳): 静止状態の機能的磁気共鳴イメージング(rs-fMRI)は、人間の脳の機能的組織に関する貴重な洞察を与え、特定のタスクや刺激に頼ることなく脳の機能的組織を捉えることができるため、脳機能と認知過程の関係を調べる強力なツールである。
本研究では,グラフトランスにおける一様ノード更新の問題に対処するために,サブネットワークを用いたグラフに対する新しいアテンション機構であるSelf-Clustering Graph Transformer (SCGT)を提案する。
静的関数接続(FC)相関機能をトランスモデルへの入力として使用することにより、SCGTは、バニラグラフ変換器における一様ノード更新とは異なり、ノードに対してクラスタ固有の更新を行うことで、脳のサブネットワーク構造を効果的にキャプチャし、サブクラスタの学習と解釈を可能にする。
我々は,7,957人の参加者からなる青年期脳認知発達(ABCD)データセットへのアプローチを,全認知スコアと性別分類の予測のために検証した。
以上の結果から,SCGTはバニラグラフトランスフォーマ法や他の最近のモデルよりも優れており,脳の機能的接続をモデル化し,基盤となるサブネットワーク構造を解釈するための有望なツールを提供する。
関連論文リスト
- Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳(メタデータ) (2024-02-20T12:01:30Z) - Large-scale Graph Representation Learning of Dynamic Brain Connectome
with Transformers [18.304946718572516]
グラフ変換器を用いた動的機能接続の表現法を提案する。
具体的には、機能接続グラフの位置、構造、時間情報を保持するコネクトーム埋め込みを定義する。
3つのデータセットから得られた5万以上の静止状態fMRIサンプルを用いて実験を行った。
論文 参考訳(メタデータ) (2023-12-04T16:08:44Z) - 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) - Brain Network Transformer [13.239896897835191]
脳ネットワーク解析のためのトランスフォーマーモデルについて検討する。
データの特徴によって駆動される私たちは、脳ネットワークを、一定のサイズと順序のノードを持つグラフとしてモデル化します。
我々は、ABIDEの大規模脳ネットワークデータセットとして唯一公開されているものについて、評価パイプラインを再標準化する。
論文 参考訳(メタデータ) (2022-10-13T02:30:06Z) - 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) - Cross-Frequency Coupling Increases Memory Capacity in Oscillatory Neural
Networks [69.42260428921436]
クロス周波数カップリング(CFC)は、ニューロンの集団間での情報統合と関連している。
我々は,海馬および大脳皮質における観測された$theta - gamma$振動回路の計算的役割を予測するCFCのモデルを構築した。
CFCの存在は, 可塑性シナプスによって結合された神経細胞のメモリ容量を増加させることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:13:36Z) - Learning to Model the Relationship Between Brain Structural and
Functional Connectomes [16.096428756895918]
脳目的接続(SC)と機能接続(FC)の関係をモデル化するグラフ表現学習フレームワークを開発した。
トレーニング可能なグラフ畳み込みエンコーダは、実際の神経通信を模倣する脳の領域間の相互作用をキャプチャする。
実験では、学習した表現が、被験者の脳ネットワークの本質的な特性から貴重な情報を取得することを示した。
論文 参考訳(メタデータ) (2021-12-18T11:23:55Z) - Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。
提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。
我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
論文 参考訳(メタデータ) (2021-09-26T07:19:47Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2021-05-27T23:06:50Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z)
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。