論文の概要: A Brain-to-Population Graph Learning Framework for Diagnosing Brain Disorders

• arxiv url: http://arxiv.org/abs/2506.16096v1
• Date: Thu, 19 Jun 2025 07:32:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.978156
• Title: A Brain-to-Population Graph Learning Framework for Diagnosing Brain Disorders
• Title（参考訳）: 脳障害診断のための脳間グラフ学習フレームワーク
• Authors: Qianqian Liao, Wuque Cai, Hongze Sun, Dongze Liu, Duo Chen, Dezhong Yao, Daqing Guo,
• Abstract要約: 本稿では2段階のBrain-to-Population Graph Learningフレームワークを提案する。 脳表象学習と呼ばれる第1段階では、GPT-4からの脳のアトラス知識を活用して、グラフ表現を充実させる。 第2段階では、集団障害診断と呼ばれる表現型データは、集団グラフ構築に組み込まれ、コンバウンディング効果を緩和するために特徴融合される。
• 参考スコア（独自算出の注目度）: 4.240715287754908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developed graph-based methods for diagnosing brain disorders using functional connectivity highly rely on predefined brain atlases, but overlook the rich information embedded within atlases and the confounding effects of site and phenotype variability. To address these challenges, we propose a two-stage Brain-to-Population Graph Learning (B2P-GL) framework that integrates the semantic similarity of brain regions and condition-based population graph modeling. In the first stage, termed brain representation learning, we leverage brain atlas knowledge from GPT-4 to enrich the graph representation and refine the brain graph through an adaptive node reassignment graph attention network. In the second stage, termed population disorder diagnosis, phenotypic data is incorporated into population graph construction and feature fusion to mitigate confounding effects and enhance diagnosis performance. Experiments on the ABIDE I, ADHD-200, and Rest-meta-MDD datasets show that B2P-GL outperforms state-of-the-art methods in prediction accuracy while enhancing interpretability. Overall, our proposed framework offers a reliable and personalized approach to brain disorder diagnosis, advancing clinical applicability.
• Abstract（参考訳）: 近年,機能的接続を用いた脳障害の診断法が開発されている。 これらの課題に対処するために、脳領域のセマンティックな類似性と条件に基づく人口グラフモデリングを統合する2段階のB2P-GL(Brain-to-Population Graph Learning)フレームワークを提案する。 脳表象学習と呼ばれる第1段階では、GPT-4からの脳アトラス知識を活用し、グラフ表現を充実させ、適応ノード再割り当てグラフ注意ネットワークを介して脳表を洗練させる。 第2段階では、集団障害診断と呼ばれる表現型データは、集団グラフ構築に組み込まれ、コンバウンディング効果を緩和し、診断性能を高めるために特徴融合される。 ABIDE I、ADHD-200、Rest-meta-MDDデータセットの実験により、B2P-GLは解釈性を高めながら予測精度において最先端の手法より優れていることが示された。 提案フレームワークは,脳疾患の診断に対する信頼性とパーソナライズされたアプローチを提供し,臨床応用性の向上を図っている。

関連論文リスト

• 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)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification [1.7495515703051119]
  上記の課題に対処するために設計された最初のモデルである階層型動的グラフ表現学習(HDGL)モデルを提案する。 ABIDEおよびADHD-200データセットを用いて提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-11-06T06:29:23Z)
• TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis [27.23929515170454]
  本稿ではテンプレート誘発脳グラフ学習(TiBGL)と呼ばれる新しい脳グラフ学習フレームワークを提案する。 TiBGLには識別能力と解釈能力がある。 3つの実世界のデータセットによる実験結果から,提案したTiBGLは,9つの最先端手法と比較して優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-14T15:17:42Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• 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)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• 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)

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。