論文の概要: Brain PathoGraph Learning

• arxiv url: http://arxiv.org/abs/2509.21742v1
• Date: Fri, 26 Sep 2025 01:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.105057
• Title: Brain PathoGraph Learning
• Title（参考訳）: 脳パスグラフ学習
• Authors: Ciyuan Peng, Nguyen Linh Dan Le, Shan Jin, Dexuan Ding, Shuo Yu, Feng Xia,
• Abstract要約: 本稿では,病理パターンフィルタリングと病理特徴蒸留による効率的な脳グラフ学習を実現するBrain PathoGraph Learningモデルを提案する。 BrainPoGは、様々な脳疾患検出タスクにおいて、モデル性能と計算効率の両方において優位性を示す。
• 参考スコア（独自算出の注目度）: 10.10797329620708
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Brain graph learning has demonstrated significant achievements in the fields of neuroscience and artificial intelligence. However, existing methods struggle to selectively learn disease-related knowledge, leading to heavy parameters and computational costs. This challenge diminishes their efficiency, as well as limits their practicality for real-world clinical applications. To this end, we propose a lightweight Brain PathoGraph Learning (BrainPoG) model that enables efficient brain graph learning by pathological pattern filtering and pathological feature distillation. Specifically, BrainPoG first contains a filter to extract the pathological pattern formulated by highly disease-relevant subgraphs, achieving graph pruning and lesion localization. A PathoGraph is therefore constructed by dropping less disease-relevant subgraphs from the whole brain graph. Afterwards, a pathological feature distillation module is designed to reduce disease-irrelevant noise features and enhance pathological features of each node in the PathoGraph. BrainPoG can exclusively learn informative disease-related knowledge while avoiding less relevant information, achieving efficient brain graph learning. Extensive experiments on four benchmark datasets demonstrate that BrainPoG exhibits superiority in both model performance and computational efficiency across various brain disease detection tasks.
• Abstract（参考訳）: 脳グラフ学習は神経科学と人工知能の分野で大きな成果を上げている。 しかし、既存の手法は、病気に関する知識を選択的に学習するのに苦労し、重いパラメータと計算コストをもたらす。 この課題は、その効率を低下させ、実際の臨床応用の実用性を制限する。 そこで本研究では,病的パターンフィルタリングと病的特徴蒸留による効率的な脳グラフ学習を実現する軽量なBrain PathoGraph Learning(BrainPoG)モデルを提案する。 具体的には、BrainPoGはまず、高疾患関連サブグラフによって形成される病理パターンを抽出するフィルターを含み、グラフプルーニングと病変の局在を達成する。 したがって、PathoGraphは、脳グラフ全体から病気に関連する部分グラフを少なくして構築される。 その後,病状関連ノイズの特徴を低減し,PathoGraphの各ノードの病的特徴を高めるために,病的特徴蒸留モジュールを設計した。 BrainPoGは、情報的疾患に関する知識を学習すると同時に、関連性の低い情報を避け、効率的な脳グラフ学習を実現することができる。 4つのベンチマークデータセットに対する大規模な実験により、BrainPoGは、様々な脳疾患検出タスクにおいて、モデルパフォーマンスと計算効率の両方に優れた性能を示すことが示された。

関連論文リスト

• A Brain-to-Population Graph Learning Framework for Diagnosing Brain Disorders [4.240715287754908]
  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。
  論文  参考訳（メタデータ） (2025-06-19T07:32:57Z)
• 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)
• Adversarial Curriculum Graph-Free Knowledge Distillation for Graph Neural Networks [61.608453110751206]
  本稿では,グラフニューラルネットワークのための高速かつ高品質なデータフリー知識蒸留手法を提案する。 グラフフリーKD法(ACGKD)は擬似グラフの空間的複雑さを著しく低減する。 ACGKDは、生徒の次元を拡大することで、生徒と教師のモデル間の次元のあいまいさを取り除く。
  論文  参考訳（メタデータ） (2025-04-01T08:44:27Z)
• Parkinson's Disease Detection from Resting State EEG using Multi-Head Graph Structure Learning with Gradient Weighted Graph Attention Explanations [9.544065991313062]
  静止状態脳波を用いたパーキンソン病(PD)検出のための新しいグラフニューラルネットワーク(GNN)手法を提案する。 コントラスト学習を用いた構造化グローバル畳み込みを用いて,データ制限による複雑な特徴をモデル化する。 UCサンディエゴ・パーキンソン病脳波データセットを用いて本手法を開発,評価し,主観的離脱検診において69.40%の精度で検出した。
  論文  参考訳（メタデータ） (2024-08-01T20:54:33Z)
• 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)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• 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)
• 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)
• 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。