論文の概要: Spectral Graph Neural Networks for Cognitive Task Classification in fMRI Connectomes

• arxiv url: http://arxiv.org/abs/2512.24901v1
• Date: Wed, 31 Dec 2025 14:54:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.684021
• Title: Spectral Graph Neural Networks for Cognitive Task Classification in fMRI Connectomes
• Title（参考訳）: fMRIコネクトームにおける認知課題分類のためのスペクトルグラフニューラルネットワーク
• Authors: Debasis Maji, Arghya Banerjee, Debaditya Barman,
• Abstract要約: 機械学習を用いた認知タスク分類は、神経画像データから脳状態を復号する上で中心的な役割を果たす。 機械学習と脳ネットワーク解析を統合することで、機能的磁気共鳴イメージングコネクトームから複雑な接続パターンを抽出することができる。 正規化ラプラシア固有分解法を用いて計算したグラフフーリエ変換(GFT)に基づくスペクトル畳み込みフレームワークであるSpectralBrainGNNモデルを提案する。 Human Connectome Project-Taskデータセットの実験では、提案手法の有効性が示され、96.25%の分類精度が達成された。
• 参考スコア（独自算出の注目度）: 0.6372261626436676
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cognitive task classification using machine learning plays a central role in decoding brain states from neuroimaging data. By integrating machine learning with brain network analysis, complex connectivity patterns can be extracted from functional magnetic resonance imaging connectomes. This process transforms raw blood-oxygen-level-dependent (BOLD) signals into interpretable representations of cognitive processes. Graph neural networks (GNNs) further advance this paradigm by modeling brain regions as nodes and functional connections as edges, capturing topological dependencies and multi-scale interactions that are often missed by conventional approaches. Our proposed SpectralBrainGNN model, a spectral convolution framework based on graph Fourier transforms (GFT) computed via normalized Laplacian eigendecomposition. Experiments on the Human Connectome Project-Task (HCPTask) dataset demonstrate the effectiveness of the proposed approach, achieving a classification accuracy of 96.25\%. The implementation is publicly available at https://github.com/gnnplayground/SpectralBrainGNN to support reproducibility and future research.
• Abstract（参考訳）: 機械学習を用いた認知タスク分類は、神経画像データから脳状態を復号する上で中心的な役割を果たす。 機械学習と脳ネットワーク解析を統合することで、機能的磁気共鳴イメージングコネクトームから複雑な接続パターンを抽出することができる。 このプロセスは生の血液酸素レベル依存(BOLD)シグナルを認識過程の解釈可能な表現に変換する。 グラフニューラルネットワーク(GNN)は、ノードとして脳領域をモデル化し、エッジとして機能的な接続をモデル化し、トポロジ的依存関係をキャプチャし、従来のアプローチでしばしば見逃されるようなマルチスケールのインタラクションによって、このパラダイムをさらに前進させる。 正規化ラプラシア固有分解法を用いて計算したグラフフーリエ変換(GFT)に基づくスペクトル畳み込みフレームワークであるSpectralBrainGNNモデルを提案する。 HCPTask(Human Connectome Project-Task)データセットの実験は、提案手法の有効性を示し、96.25\%の分類精度を実現する。 この実装は、再現性と将来の研究をサポートするためにhttps://github.com/gnnplayground/SpectralBrainGNNで公開されている。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• SynBrain: Enhancing Visual-to-fMRI Synthesis via Probabilistic Representation Learning [54.390403684665834]
  視覚刺激が皮質反応にどのように変換されるかを理解することは、計算神経科学の基本的な課題である。 視覚的意味論から神経反応への変換を確率的かつ生物学的に解釈可能な方法でシミュレートする生成フレームワークであるSynBrainを提案する。 実験結果から,SynBrainは被写体特異的視覚-fMRI符号化性能において最先端の手法を超越していることが示された。
  論文  参考訳（メタデータ） (2025-08-14T03:01:05Z)
• Heterogeneous Graph Convolutional Neural Network via Hodge-Laplacian for Brain Functional Data [4.80657982213439]
  本研究では、複雑な脳fMRIデータを扱うために、新しいヘテロジニアスグラフ畳み込みニューラルネットワーク(HGCNN)を提案する。 ヘテロジニアスグラフ上のスペクトルフィルタの一般的な定式化は、$k-th$lacian (HL) 演算子を導入して行う。 HL-node, HL-edge, HL-HGCNNニューラルネットワークを設計し, それぞれグラフノード, エッジレベル, 両方で信号表現を学習する。
  論文  参考訳（メタデータ） (2023-02-18T12:58:50Z)
• Reconstructing high-order sequence features of dynamic functional connectivity networks based on diversified covert attention patterns for Alzheimer's disease classification [22.57052592437276]
  我々はトランスフォーマーのコアモジュールである自己注意機構を導入し、多彩な注意パターンをモデル化し、これらのパターンを適用してdFCNの高次シーケンス特性を再構築する。 本研究では,局所的時間的特徴とシーケンス変化パターンをキャプチャするCRNの利点と,大域的および高次的相関特徴の学習におけるトランスフォーマーを組み合わせた,多角化注意パターンに基づくCRN手法DCA-CRNを提案する。
  論文  参考訳（メタデータ） (2022-11-19T02:13:21Z)
• Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks [28.460737693330245]
  我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-01T03:59:54Z)
• 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)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention [33.049423523704824]
  本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。 HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-27T23:06:50Z)
• A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
  神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。 構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-14T15:01:21Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。