論文の概要: Refined Causal Graph Structure Learning via Curvature for Brain Disease Classification
- arxiv url: http://arxiv.org/abs/2506.15708v1
- Date: Fri, 30 May 2025 10:50:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-29 09:28:14.775743
- Title: Refined Causal Graph Structure Learning via Curvature for Brain Disease Classification
- Title(参考訳): 脳疾患分類のための曲率による精巧な因果グラフ構造学習
- Authors: Falih Gozi Febrinanto, Adonia Simango, Chengpei Xu, Jingjing Zhou, Jiangang Ma, Sonika Tyagi, Feng Xia,
- Abstract要約: 脳疾患の分類・検出のための新しいフレームワークCGB(Causal Graphs for Brains)を提案する。
CGBは、脳疾患の分類性能を高めるために重要な情報をもたらすROI間の因果関係を明らかにする。
実験の結果,脳疾患データセットの分類作業において,CGBは最先端の手法よりも優れていることがわかった。
- 参考スコア(独自算出の注目度): 5.135525907581342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been developed to model the relationship between regions of interest (ROIs) in brains and have shown significant improvement in detecting brain diseases. However, most of these frameworks do not consider the intrinsic relationship of causality factor between brain ROIs, which is arguably more essential to observe cause and effect interaction between signals rather than typical correlation values. We propose a novel framework called CGB (Causal Graphs for Brains) for brain disease classification/detection, which models refined brain networks based on the causal discovery method, transfer entropy, and geometric curvature strategy. CGB unveils causal relationships between ROIs that bring vital information to enhance brain disease classification performance. Furthermore, CGB also performs a graph rewiring through a geometric curvature strategy to refine the generated causal graph to become more expressive and reduce potential information bottlenecks when GNNs model it. Our extensive experiments show that CGB outperforms state-of-the-art methods in classification tasks on brain disease datasets, as measured by average F1 scores.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、脳内の関心領域(ROI)の関係をモデル化するために開発され、脳疾患の検出において著しく改善されている。
しかし、これらのフレームワークの多くは、典型的な相関値よりも信号間の因果関係や効果の相互作用を観察する上で、脳ROI間の因果関係の本質的な関係を考慮していない。
本稿では,脳疾患の分類・検出のためのCGB(Causal Graphs for Brains)と呼ばれる新しいフレームワークを提案する。
CGBは、脳疾患の分類性能を高めるために重要な情報をもたらすROI間の因果関係を明らかにする。
さらに、CGBは幾何学的曲率戦略を通じてグラフを書き換え、生成した因果グラフを洗練して表現性を高め、GNNがそれをモデル化する際の潜在的な情報ボトルネックを低減する。
我々は,脳疾患データセットの分類作業において,CGBが最先端の手法より優れていることを示した。
関連論文リスト
- Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders [27.280927277680515]
本稿では、一般化可能なエンコーダをトレーニングするためのプレテキストモデルと、下流タスクを実行するためのタスク固有モデルからなるトポロジ対応グラフ拡張(TGA)フレームワークを提案する。
1,688 fMRIでの実験では、TGAがいくつかの最先端の手法より優れていることが示唆された。
論文 参考訳(メタデータ) (2024-10-31T19:37:20Z) - 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) - 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) - Exploring General Intelligence via Gated Graph Transformer in Functional
Connectivity Studies [39.82681427764513]
Gated Graph Transformer (GGT) フレームワークは,機能的接続性(FC)に基づく認知的メトリクスの予測を目的としている
フィラデルフィア神経発達コホート(PNC)に関する実証的検証は,我々のモデルにおいて優れた予測能力を示している。
論文 参考訳(メタデータ) (2024-01-18T19:28:26Z) - Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。
我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2023-12-30T06:50:52Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳(メタデータ) (2023-12-16T04:31:51Z) - 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) - 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) - 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)
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。