論文の概要: GDAIP: A Graph-Based Domain Adaptive Framework for Individual Brain Parcellation

• arxiv url: http://arxiv.org/abs/2507.21727v1
• Date: Tue, 29 Jul 2025 12:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:56.156316
• Title: GDAIP: A Graph-Based Domain Adaptive Framework for Individual Brain Parcellation
• Title（参考訳）: GDAIP: 個々の脳のパーセレーションのためのグラフベースのドメイン適応フレームワーク
• Authors: Jianfei Zhu, Haiqi Zhu, Shaohui Liu, Feng Jiang, Baichun Wei, Chunzhi Yi,
• Abstract要約: Graph Domain Adaptation for individual Parcellation (GDAIP)は、グラフ注意ネットワーク(GAT)とMinimax Entropy(MME)ベースのドメイン適応を統合する新しいフレームワークである。 グループレベルでも個人レベルでも、クロスデータセットな脳グラフを構築します。
• 参考スコア（独自算出の注目度）: 14.297591748463907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent deep learning approaches have shown promise in learning such individual brain parcellations from functional magnetic resonance imaging (fMRI). However, most existing methods assume consistent data distributions across domains and struggle with domain shifts inherent to real-world cross-dataset scenarios. To address this challenge, we proposed Graph Domain Adaptation for Individual Parcellation (GDAIP), a novel framework that integrates Graph Attention Networks (GAT) with Minimax Entropy (MME)-based domain adaptation. We construct cross-dataset brain graphs at both the group and individual levels. By leveraging semi-supervised training and adversarial optimization of the prediction entropy on unlabeled vertices from target brain graph, the reference atlas is adapted from the group-level brain graph to the individual brain graph, enabling individual parcellation under cross-dataset settings. We evaluated our method using parcellation visualization, Dice coefficient, and functional homogeneity. Experimental results demonstrate that GDAIP produces individual parcellations with topologically plausible boundaries, strong cross-session consistency, and ability of reflecting functional organization.
• Abstract（参考訳）: 最近のディープラーニングアプローチは、機能的磁気共鳴画像(fMRI)から個々の脳のパーセレーションを学習する上で有望であることを示している。 しかし、既存のほとんどのメソッドは、ドメイン間の一貫性のあるデータ分散を前提としており、現実世界のクロスデータセットシナリオに固有のドメインシフトに苦慮している。 この課題に対処するため、我々は、グラフ注意ネットワーク(GAT)とミニマックスエントロピー(MME)ベースのドメイン適応を統合する新しいフレームワークであるグラフドメイン適応(GDAIP)を提案した。 グループレベルでも個人レベルでも、クロスデータセットな脳グラフを構築します。 対象の脳グラフからラベルなし頂点の予測エントロピーを半教師付きトレーニングと逆向きに最適化することにより、基準アトラスをグループレベルの脳グラフから個別の脳グラフに適応させ、データセット設定下で個別のパーセレーションを可能にする。 本手法を解析可視化,Dice係数,機能的均一性を用いて評価した。 実験により,GDAIPは局所的に可塑性境界,強い断続的整合性,機能的組織を反映する能力を有する個別のパーセルレーションを生成することが示された。

関連論文リスト

• Brain Network Classification Based on Graph Contrastive Learning and Graph Transformer [0.6906005491572401]
  本稿では,グラフコントラスト学習をグラフ変換器と統合したPHGCL-DDGformerという新しいモデルを提案する。 実世界のデータセットによる実験結果から、PHGCL-DDGformerモデルは、脳ネットワーク分類タスクにおける既存の最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-01T13:26:03Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling [0.0]
  本稿では,動的適応時間グラフ畳み込み(DASTGCN)モデルを提案する。 提案手法により,レイヤワイドグラフ構造学習モジュールによる脳領域間の動的接続のエンドツーエンド推論が可能となる。 我々は,安静時機能スキャンを用いて,英国ビオバンクのパイプラインを年齢・性別分類タスクとして評価した。
  論文  参考訳（メタデータ） (2021-09-26T07:19:47Z)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Adversarial Graph Representation Adaptation for Cross-Domain Facial Expression Recognition [86.25926461936412]
  本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。 提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-08-03T13:27:24Z)
• Graphs, Entities, and Step Mixture [11.162937043309478]
  エッジベース近傍関係とノードベース実体特徴の両方を考慮した新しいグラフニューラルネットワークを提案する。 集約的な実験により,提案したGESMは,8つのベンチマークグラフデータセット上で,最先端または同等のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-05-18T06:57:02Z)
• Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation [9.430867304159179]
  近年の進歩により、皮質データ上のグラフ畳み込みを通じて、複数の脳表面を直接的に学習できるようになっている。 ドメイン適応において、ドメイン間のセグメンテーション性能を改善するために、敵対的トレーニングが広く使用されている。 我々は、MindBoggleから抽出した複数のターゲットドメインに適用した非敵的トレーニング戦略に対して、8%の平均的な改善を示す。
  論文  参考訳（メタデータ） (2020-03-31T19:43:59Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。