論文の概要: Self-supervised Graph Transformer with Contrastive Learning for Brain Connectivity Analysis towards Improving Autism Detection
- arxiv url: http://arxiv.org/abs/2501.16346v1
- Date: Sat, 18 Jan 2025 05:12:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-02 08:21:49.166514
- Title: Self-supervised Graph Transformer with Contrastive Learning for Brain Connectivity Analysis towards Improving Autism Detection
- Title（参考訳）: 自己教師付きグラフ変換器を用いた脳結合性解析による自閉症検出の改善
- Authors: Yicheng Leng, Syed Muhammad Anwar, Islem Rekik, Sen He, Eung-Joo Lee,
- Abstract要約: グラフニューラルネットワーク(GNN)は、その固有の説明可能性のため、脳ネットワーク分析に広く利用されている。
本稿では,脳ネットワークトランスフォーマーエンコーダをランダムなグラフ変換に組み込んだ,コントラッシブな自己教師付き学習グラフトランスフォーマーを用いた新しいフレームワークを提案する。
自閉症脳画像データ交換(ABIDE)データを用いたアプローチでは,AUROCが82.6で,精度が74%で,最先端の手法を上回った。
- 参考スコア（独自算出の注目度）: 12.38981687117246
- License:
- Abstract: Functional Magnetic Resonance Imaging (fMRI) provides useful insights into the brain function both during task or rest. Representing fMRI data using correlation matrices is found to be a reliable method of analyzing the inherent connectivity of the brain in the resting and active states. Graph Neural Networks (GNNs) have been widely used for brain network analysis due to their inherent explainability capability. In this work, we introduce a novel framework using contrastive self-supervised learning graph transformers, incorporating a brain network transformer encoder with random graph alterations. The proposed network leverages both contrastive learning and graph alterations to effectively train the graph transformer for autism detection. Our approach, tested on Autism Brain Imaging Data Exchange (ABIDE) data, demonstrates superior autism detection, achieving an AUROC of 82.6 and an accuracy of 74%, surpassing current state-of-the-art methods.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、タスク中も休息中も脳機能に関する有用な洞察を提供する。
相関行列を用いてfMRIデータを表現することは、休息状態および活動状態における脳の固有の接続性を分析する信頼性の高い方法であることがわかった。
グラフニューラルネットワーク(GNN)は、その固有の説明可能性のため、脳ネットワーク分析に広く利用されている。
本研究では,脳ネットワークトランスフォーマーエンコーダをランダムなグラフ変換に組み込んだ,コントラッシブな自己教師付き学習グラフトランスフォーマーを用いた新しいフレームワークを提案する。
提案したネットワークは、対比学習とグラフ修正の両方を活用して、自閉症検出のためのグラフトランスフォーマーを効果的に訓練する。
自閉症脳画像データ交換(ABIDE)データを用いたアプローチでは,AUROCが82.6で,精度が74%で,最先端の手法を上回った。
関連論文リスト
- Contrasformer: A Brain Network Contrastive Transformer for Neurodegenerative Condition Identification [15.24676785238373]
本稿では,新しいコントラスト型脳ネットワークトランスであるContrasformerを提案する。
サブポピュレーション間の分布シフトに対処するために、事前知識付きコントラストグラフを生成する。
コントラストフォーマーは、最大10.8%の精度向上によって、脳ネットワークの最先端の手法より優れている。
論文 参考訳（メタデータ） (2024-09-17T07:26:02Z) - 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) - Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with
Graph Neural Networks [28.460737693330245]
我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。
TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。
2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
論文 参考訳（メタデータ） (2022-11-01T03:59:54Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、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容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - 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) - 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) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。