Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

HyperCOCO: Multi-sensory HyperCOgnitive COmputing for learning population level brain connectivity.

Medical image analysis·2026

Same author

Reservoir-Based Graph Convolutional Networks.

IEEE transactions on pattern analysis and machine intelligence·2026

Same author

Metadata-Driven Federated Learning of Connectional Brain Templates in Non-IID Multi-Domain Scenarios.

IEEE transactions on medical imaging·2025

Same author

Predicting infant brain connectivity with federated multi-trajectory GNNs using scarce data.

Medical image analysis·2025

Same author

FALCON: Feature-Label Constrained Graph Net Collapse for Memory-Efficient GNNs.

IEEE transactions on neural networks and learning systems·2025

Same author

Replica tree-based federated learning using limited data.

Neural networks : the official journal of the International Neural Network Society·2025

Search research articles

相关实验视频

Updated: Jul 20, 2025

Modeling the Functional Network for Spatial Navigation in the Human Brain

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

基于图形神经网络的无监督的有影响力的样本选择,用于大脑多图形人口融合.

Mert Can Kurucu¹, Islem Rekik²,

¹BASIRA Lab, Imperial-X and Computing Department, Imperial College London, London, UK; Istanbul Technical University, Istanbul, Turkey.

Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society

|August 2, 2023

概括

此摘要是机器生成的。

选择有影响力的脑图可以改善基于人口的连接性脑模板 (CBT) 的图形神经网络 (GNN) 训练. 这种方法增强了网络神经科学应用的CBT,有助于理解神经系统疾病.

关键词:

连接性大脑模板连接性大脑模板图形神经网络是一个神经网络.多图形的人口融合.样本的选择样本的选择没有监督的学习学习.

更多相关视频

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Published on: February 15, 2017

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

相关实验视频

Last Updated: Jul 20, 2025

Modeling the Functional Network for Spatial Navigation in the Human Brain

Modeling the Functional Network for Spatial Navigation in the Human Brain

Published on: October 13, 2023

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations

Published on: February 15, 2017

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

科学领域:

网络神经科学网络神经科学
机器学习机器学习
计算生物学计算生物学

背景情况:

图形神经网络 (GNN) 越来越多地用于图形结构数据,包括在网络神经科学中用于估计人口代表性的连接大脑模板 (CBT).
现有的基于GNN的人口融合方法用于CBT估计,不考虑个体训练大脑多图谱对GNN训练质量的影响.

研究的目的:

提出和验证无监督的方法来量化个体训练脑多图谱对基于GNN的CBT人口融合的影响.
证明选择有影响力的培训样本可以提高学习的CBT的质量.

主要方法:

引入了两种样本选择方法:GraphGradIn (使用梯度来追踪中心性损失的变化) 和GraphTestIn (不包括测试期间的训练图来推断影响).
选择了最有影响力的多图表来构建基于GNN的CBT人口融合培训数据集.
对大脑多图数据集进行实验,以评估有影响力的样本选择的影响.

主要成果:

使用影响力训练样本的数据集显著改善了学习的连接性大脑模板 (CBT) 在中心性,歧视性和拓性健全性方面.
提出的方法成功地确定了有影响力的大脑多图谱,从而提高了CBT.
证明了这些方法在发现健康和神经疾病 (阿尔茨海默病,自闭症谱系障碍) 人群的连接指纹中的应用.

结论:

提出的无监督样本选择方法 (GraphGradIn和GraphTestIn) 有效量化了个体大脑多图在基于GNN的群体融合中的影响.
选择有影响力的训练样本对于提高连接性大脑模板的质量和可靠性至关重要.
这些发现促进了网络神经科学的发展,使CBT更准确,并促进了疾病特异性脑网络特征的发现.