論文の概要: GraPHFormer: A Multimodal Graph Persistent Homology Transformer for the Analysis of Neuroscience Morphologies

• arxiv url: http://arxiv.org/abs/2603.20970v1
• Date: Sat, 21 Mar 2026 22:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.175346
• Title: GraPHFormer: A Multimodal Graph Persistent Homology Transformer for the Analysis of Neuroscience Morphologies
• Title（参考訳）: GraPHFormer: 神経科学形態解析のための多モードグラフ持続ホモロジー変換器
• Authors: Uzair Shah, Marco Agus, Mahmoud Gamal, Mahmood Alzubaidi, Corrado Cali, Pierre J. Magistretti, Abdesselam Bouzerdoum, Mowafa Househ,
• Abstract要約: 私たちはCLIPスタイルのコントラスト学習を通じてこれらの相補的なビューを統合するマルチモーダルアーキテクチャであるGraPHFormerを紹介した。 GraPHFormerは5つのベンチマークで最先端のパフォーマンスを実現し、トポロジのみ、グラフのみ、およびモルフォメトリックスベースラインを著しく上回っている。 本研究では,皮質領域および種々のグリア形態を識別し,発達過程および変性過程のシグネチャを検出することで実用性を実証する。
• 参考スコア（独自算出の注目度）: 9.328534464064374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuronal morphology encodes critical information about circuit function, development, and disease, yet current methods analyze topology or graph structure in isolation. We introduce GraPHFormer, a multimodal architecture that unifies these complementary views through CLIP-style contrastive learning. Our vision branch processes a novel three-channel persistence image encoding unweighted, persistence-weighted, and radius-weighted topological densities via DINOv2-ViT-S. In parallel, a TreeLSTM encoder captures geometric and radial attributes from skeleton graphs. Both project to a shared embedding space trained with symmetric InfoNCE loss, augmented by persistence-space transformations that preserve topological semantics. Evaluated on six benchmarks (BIL-6, ACT-4, JML-4, N7, M1-Cell, M1-REG) spanning self-supervised and supervised settings, GraPHFormer achieves state-of-the-art performance on five benchmarks, significantly outperforming topology-only, graph-only, and morphometrics baselines. We demonstrate practical utility by discriminating glial morphologies across cortical regions and species, and detecting signatures of developmental and degenerative processes. Code: https://github.com/Uzshah/GraPHFormer
• Abstract（参考訳）: 神経形態学は回路機能、発達、疾患に関する重要な情報をエンコードするが、現在の方法ではトポロジーやグラフ構造を分離して分析している。 私たちはCLIPスタイルのコントラスト学習を通じてこれらの相補的なビューを統合するマルチモーダルアーキテクチャであるGraPHFormerを紹介した。 我々のビジョンブランチは、DINOv2-ViT-Sを介して、非重み付き、持続重み付き、半径重み付き位相密度をコードする新しい3チャンネル永続画像を処理する。 並行して、TreeLSTMエンコーダは、スケルトングラフから幾何学的および放射的属性をキャプチャする。 どちらも対称なInfoNCE損失で訓練された共有埋め込み空間へのプロジェクトであり、トポロジ的意味論を保存する永続空間変換によって強化されている。 6つのベンチマーク(BIL-6、ACT-4、JML-4、N7、M1-Cell、M1-REG)において、GraPHFormerは5つのベンチマークで最先端のパフォーマンスを達成した。 本研究では,皮質領域および種々のグリア形態を識別し,発達過程および変性過程のシグネチャを検出することで実用性を実証する。 コード:https://github.com/Uzshah/GraPHFormer

関連論文リスト

• Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
  グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。 現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。 提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-20T01:40:12Z)
• GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.477527192030786]
  本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。 我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。 収束に基づくノード集約機構を導入したGRASPは、バランスの取れた精度で最先端の手法を高いマージンで上回る。
  論文  参考訳（メタデータ） (2024-02-06T00:03:44Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。