Fugu-MT 論文翻訳(概要): BrainOOD: Out-of-distribution Generalizable Brain Network Analysis

論文の概要: BrainOOD: Out-of-distribution Generalizable Brain Network Analysis

arxiv url: http://arxiv.org/abs/2502.01688v1
Date: Sun, 02 Feb 2025 14:26:09 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-05 14:53:23.301162
Title: BrainOOD: Out-of-distribution Generalizable Brain Network Analysis
Title（参考訳）: BrainOOD: アウト・オブ・ディストリビューションの一般化可能な脳ネットワーク分析
Authors: Jiaxing Xu, Yongqiang Chen, Xia Dong, Mengcheng Lan, Tiancheng Huang, Qingtian Bian, James Cheng, Yiping Ke,
Abstract要約: グラフニューラルネットワーク(GNN)は、脳ネットワークの分析に有望であることを示している。 BrainOODは、GNNのアウト・オブ・ディストリビューションの一般化と解釈性を強化する脳ネットワークに適した新しいフレームワークである。提案手法は16の既存手法より優れ,OOD対象への一般化が最大8.5%向上する。
参考スコア（独自算出の注目度）: 19.986844377608247
License:
Abstract: In neuroscience, identifying distinct patterns linked to neurological disorders, such as Alzheimer's and Autism, is critical for early diagnosis and effective intervention. Graph Neural Networks (GNNs) have shown promising in analyzing brain networks, but there are two major challenges in using GNNs: (1) distribution shifts in multi-site brain network data, leading to poor Out-of-Distribution (OOD) generalization, and (2) limited interpretability in identifying key brain regions critical to neurological disorders. Existing graph OOD methods, while effective in other domains, struggle with the unique characteristics of brain networks. To bridge these gaps, we introduce BrainOOD, a novel framework tailored for brain networks that enhances GNNs' OOD generalization and interpretability. BrainOOD framework consists of a feature selector and a structure extractor, which incorporates various auxiliary losses including an improved Graph Information Bottleneck (GIB) objective to recover causal subgraphs. By aligning structure selection across brain networks and filtering noisy features, BrainOOD offers reliable interpretations of critical brain regions. Our approach outperforms 16 existing methods and improves generalization to OOD subjects by up to 8.5%. Case studies highlight the scientific validity of the patterns extracted, which aligns with the findings in known neuroscience literature. We also propose the first OOD brain network benchmark, which provides a foundation for future research in this field. Our code is available at https://github.com/AngusMonroe/BrainOOD.
Abstract（参考訳）: 神経科学において、アルツハイマー病や自閉症などの神経疾患に関連するパターンを識別することは、早期診断と効果的な介入に不可欠である。グラフニューラルネットワーク(GNN)は、脳ネットワークの分析において有望であることを示しているが、GNNを使用する上で大きな課題が2つある。既存のグラフOOD法は、他の領域で有効であるが、脳ネットワークのユニークな特徴に苦慮している。これらのギャップを埋めるために、GNNのOOD一般化と解釈可能性を高める脳ネットワークに適した新しいフレームワークであるBrainOODを紹介する。 BrainOODフレームワークは機能セレクタと構造抽出器から構成されており、改善されたGraph Information Bottleneck(GIB)目標を含む様々な補助的損失を取り入れて因果部分グラフを復元する。脳ネットワークをまたいで構造選択を調整し、ノイズのある特徴をフィルタリングすることで、BrainOODは重要な脳領域の信頼できる解釈を提供する。提案手法は16の既存手法より優れ,OOD対象への一般化が最大8.5%向上する。ケーススタディでは、抽出されたパターンの科学的妥当性が強調され、既知の神経科学文献の発見と一致している。また、この分野での今後の研究の基盤となる最初のOOD脳ネットワークベンチマークを提案する。私たちのコードはhttps://github.com/AngusMonroe/BrainOOD.comで公開されています。

関連論文リスト

MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
論文参考訳（メタデータ） (2025-02-07T16:01:59Z)
BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文参考訳（メタデータ） (2024-12-23T09:13:35Z)
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)
Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network [4.835051121929712]
早期認知症への転換の予測は、その進行を緩和するために重要である。従来のT1強調MRI(T1-MRI)研究は、脳萎縮領域の同定に重点を置いている。 Brain-SubGNNは、T1-MRIに基づく重要なサブグラフをマイニングし、拡張するための新しいグラフ表現ネットワークである。
論文参考訳（メタデータ） (2024-03-20T06:46:01Z)
Brain Diffuser: An End-to-End Brain Image to Brain Network Pipeline [54.93591298333767]
脳ディフューザー(Brain diffuser)は、拡散に基づくエンド・ツー・エンドの脳ネットワーク生成モデルである。被験者間の構造的脳ネットワークの差異を分析することで、より構造的接続性や疾患関連情報を利用する。アルツハイマー病の場合、提案モデルは、アルツハイマー病神経画像イニシアチブデータベース上の既存のツールキットの結果より優れている。
論文参考訳（メタデータ） (2023-03-11T14:04:58Z)
Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
論文参考訳（メタデータ） (2022-06-30T08:02:05Z)
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)
Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文参考訳（メタデータ） (2022-03-18T07:05:27Z)
BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis [23.961196793115786]
疾患予測のための解釈可能な脳ネットワークモデルは、神経科学の進歩に非常に有用である。 BrainNNExplainerは、脳ネットワーク分析のための解釈可能なGNNフレームワークである。
論文参考訳（メタデータ） (2021-07-11T17:33:02Z)
Joint Embedding of Structural and Functional Brain Networks with Graph Neural Networks for Mental Illness Diagnosis [17.48272758284748]
グラフニューラルネットワーク(GNN)は,グラフ構造化データを解析するためのデファクトモデルとなっている。我々はマルチモーダル脳ネットワークのための新しいマルチビューGNNを開発した。特に、各モダリティを脳ネットワークの視点とみなし、マルチモーダル融合のためのコントラスト学習を採用する。
論文参考訳（メタデータ） (2021-07-07T13:49:57Z)

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。