論文の概要: Hyperbolic Kernel Graph Neural Networks for Neurocognitive Decline Analysis from Multimodal Brain Imaging

• arxiv url: http://arxiv.org/abs/2507.02908v1
• Date: Tue, 24 Jun 2025 13:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-13 12:05:57.505288
• Title: Hyperbolic Kernel Graph Neural Networks for Neurocognitive Decline Analysis from Multimodal Brain Imaging
• Title（参考訳）: ハイパーボリックカーネルグラフニューラルネットワークによるマルチモーダル脳画像からの神経認知的劣化解析
• Authors: Meimei Yang, Yongheng Sun, Qianqian Wang, Andrea Bozoki, Maureen Kohi, Mingxia Liu,
• Abstract要約: 本稿では,マルチモーダル・ニューロイメージングを用いた神経認知下降解析のためのハイパーボリックカーネルグラフ融合フレームワークを提案する。 マルチモーダルグラフ構築モジュール、双曲空間で脳グラフを符号化するグラフ表現学習モジュール、下流予測のための双曲ニューラルネットワークで構成される。
• 参考スコア（独自算出の注目度）: 22.883290184028738
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal neuroimages, such as diffusion tensor imaging (DTI) and resting-state functional MRI (fMRI), offer complementary perspectives on brain activities by capturing structural or functional interactions among brain regions. While existing studies suggest that fusing these multimodal data helps detect abnormal brain activity caused by neurocognitive decline, they are generally implemented in Euclidean space and can't effectively capture intrinsic hierarchical organization of structural/functional brain networks. This paper presents a hyperbolic kernel graph fusion (HKGF) framework for neurocognitive decline analysis with multimodal neuroimages. It consists of a multimodal graph construction module, a graph representation learning module that encodes brain graphs in hyperbolic space through a family of hyperbolic kernel graph neural networks (HKGNNs), a cross-modality coupling module that enables effective multimodal data fusion, and a hyperbolic neural network for downstream predictions. Notably, HKGNNs represent graphs in hyperbolic space to capture both local and global dependencies among brain regions while preserving the hierarchical structure of brain networks. Extensive experiments involving over 4,000 subjects with DTI and/or fMRI data suggest the superiority of HKGF over state-of-the-art methods in two neurocognitive decline prediction tasks. HKGF is a general framework for multimodal data analysis, facilitating objective quantification of structural/functional brain connectivity changes associated with neurocognitive decline.
• Abstract（参考訳）: 拡散テンソルイメージング(DTI)や静止状態機能MRI(fMRI)などのマルチモーダル神経画像は、脳領域間の構造的または機能的相互作用を捉えることによって、脳活動の相補的な視点を提供する。 既存の研究では、これらのマルチモーダルデータの融合は、神経認知の低下に起因する異常な脳活動を検出するのに役立つことが示唆されているが、それらは一般的にユークリッド空間で実装されており、構造的/機能的脳ネットワークの内在的な階層構造を効果的に捉えることはできない。 本稿では,多モード神経画像を用いた神経認知下降解析のためのハイパーボリックカーネルグラフ融合(HKGF)フレームワークを提案する。 マルチモーダルグラフ構築モジュール、ハイパーボリック空間の脳グラフを符号化するグラフ表現学習モジュール、効果的なマルチモーダルデータ融合を可能にする相互モダリティ結合モジュール、下流予測のためのハイパーボリックニューラルネットワークからなる。 特に、HKGNNは双曲空間のグラフを表現し、脳ネットワークの階層構造を保ちながら、脳領域間の局所的およびグローバルな依存関係をキャプチャする。 DTIおよび/またはfMRIデータを含む4000名以上の被験者の広範囲にわたる実験は、2つの神経認知下降予測タスクにおける最先端の手法よりもHKGFの方が優れていることを示唆している。 HKGFは多モードデータ分析のための一般的なフレームワークであり、神経認知の低下に伴う構造的/機能的脳接続の変化の客観的定量化を容易にする。

関連論文リスト

• BrainMAP: Multimodal Graph Learning For Efficient Brain Disease Localization [18.83554489847398]
  本稿では,神経変性疾患による脳領域の精密かつ効率的な同定を目的とした新しいグラフ学習フレームワークであるBrainMAPを提案する。 BrainMAPは、疾患関連部分グラフに集中することにより、計算オーバーヘッドを50%以上削減する。 実験結果から、BrainMAPは予測精度を損なうことなく、最先端の手法よりも計算効率が優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-12T11:24:28Z)
• 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)
• 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)
• 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)
• Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph Convolutional Network [0.8399688944263843]
  既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。 本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。 我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2022-10-08T12:14:33Z)
• 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)
• 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)
• 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。