A graphical network layer for lagged analysis of FMRI data
Date
2022-08-29Source Title
Signal Processing and Communications Applications Conference (SIU)
Print ISSN
2165-0608
Publisher
IEEE
Pages
[1] - [4]
Language
Turkish
Type
Conference PaperItem Usage Stats
9
views
views
5
downloads
downloads
Abstract
Functional magnetic resonance imaging (fMRI) enables recording the brain’s neural activity spatiotemporally and is the center of much cutting-edge psychology and neuroscience research. Many methods are proposed to process the 4-dimensional data the fMRI scans provide. The most common approach for classification tasks is to analyze functional connectivity, where brain volume is parcelled to regions, and the correlation between their time series is calculated. Such an approach is very suitable for graphical neural networks, a popular deep learning method for graphical data analysis. A graph is constructed by formulating the parcelled brain regions as the graph nodes, while their features and edges are constructed from the correlations. However, in many studies, the correlations are calculated from simple methods that do not take account of the lagged relations between the node time-series. This paper addresses this issue by proposing a new graphical neural network layer. This layer accounts for lagged relationships between the nodes and learns reacher features rather than simple zero-lag correlations. We show that our graphical layer can be used in front of a known graphical model and increase its performance for two different downstream tasks in a large fMRI dataset. Fonksiyonel manyetik rezonans görüntüleme
(fMRG), beyindeki sinirsel etkinliği zamansal ve uzamsal olarak
kaydedebilen bir görüntüleme tekniğidir ve yenilikçi psikoloji ve
sinirbilimi araştırmalarının merkezindedir. fMRG taramalarının
4 boyutlu verisini işleyebilmek için çeşitli metotlar önerilmiştir.
Sınıflandırma çalışmalarında en yaygın olarak kullanılan teknik,
beynin bölgelere ayrılması ve bu bölgelerin zaman serileri arasında
korelasyon hesaplanmasıyla bulunan fonksiyonel bağlılık
ölçütüdür. Söz konusu yaklaşım, grafiksel verilerin derin öğrenme
ile işlenmesinde popüler bir teknik olan grafiksel sinir ağlarında
kullanmak için uygundur. Grafiksel sinir ağlarında bölünmüş
beyin bölgeleri düğümleri oluştururken düğümler arasındaki
bağlantılar ve düğümlerin özellik vektörleri korelasyon hesabına
dayanır. Çoğu çalışmada bu korelasyon hesabı yapılırken dü-
ğümlerin zaman serileri arasındaki gecikmeli ilişkiler göz ardı
edilmektedir. Bu makalede önerilen yeni sinirsel ağ katmanıyla
gecikmeli ilişkilerin etkisinin incelenmesi hedeflenmiştir. Bu katman
düğümler arasında gecikmeli ilişki hesabı yaparak basit, sıfır
gecikmeli korelasyona göre daha zengin özellik vektörleri oluşturulmasını
sağlar. Bu makaleyle, önerdiğimiz grafiksel katmanın
bilinen başka bir grafiksel modelin önüne eklenmesi sonucu
performans artımı sağlanabileceğini 2 çalışmayla gösteriyoruz.