論文の概要: Learning 3D Medical Image Models From Brain Functional Connectivity Network Supervision For Mental Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2503.04205v1
• Date: Thu, 06 Mar 2025 08:30:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:59:34.632482
• Title: Learning 3D Medical Image Models From Brain Functional Connectivity Network Supervision For Mental Disorder Diagnosis
• Title（参考訳）: 精神疾患診断のための脳機能結合ネットワークによる3次元医用画像モデルの学習
• Authors: Xingcan Hu, Wei Wang, Li Xiao,
• Abstract要約: MRIに基づく精神疾患の診断において、最も古い研究は機能的MRI(fMRI)に由来する機能的接続ネットワーク(FCN)に焦点を当てていた。 本稿では,sMRIとFCNの対比学習を利用したCINP(Contrastive Image-Network Pre-training)を提案する。
• 参考スコア（独自算出の注目度）: 5.198001918667427
• License:
• Abstract: In MRI-based mental disorder diagnosis, most previous studies focus on functional connectivity network (FCN) derived from functional MRI (fMRI). However, the small size of annotated fMRI datasets restricts its wide application. Meanwhile, structural MRIs (sMRIs), such as 3D T1-weighted (T1w) MRI, which are commonly used and readily accessible in clinical settings, are often overlooked. To integrate the complementary information from both function and structure for improved diagnostic accuracy, we propose CINP (Contrastive Image-Network Pre-training), a framework that employs contrastive learning between sMRI and FCN. During pre-training, we incorporate masked image modeling and network-image matching to enhance visual representation learning and modality alignment. Since the CINP facilitates knowledge transfer from FCN to sMRI, we introduce network prompting. It utilizes only sMRI from suspected patients and a small amount of FCNs from different patient classes for diagnosing mental disorders, which is practical in real-world clinical scenario. The competitive performance on three mental disorder diagnosis tasks demonstrate the effectiveness of the CINP in integrating multimodal MRI information, as well as the potential of incorporating sMRI into clinical diagnosis using network prompting.
• Abstract（参考訳）: MRIに基づく精神疾患の診断において、ほとんどの研究は機能的MRI(fMRI)に由来する機能的接続ネットワーク(FCN)に焦点を当てている。 しかし、注釈付きfMRIデータセットの小さなサイズは、その広範な応用を制限する。 一方、3D T1強調MRI(T1w)のような構造MRI(sMRI)は一般的に使われ、臨床環境では容易にアクセス可能であるが、しばしば見過ごされる。 そこで我々は,sMRIとFCNの対比学習を利用したCINP(Contrastive Image-Network Pre-training)を提案する。 事前学習中に、視覚表現学習とモダリティアライメントを高めるために、マスク付き画像モデリングとネットワーク画像マッチングを取り入れた。 CINPは、FCNからsMRIへの知識伝達を容易にするので、ネットワークプロンプトを導入する。 これは、疑わしい患者のsMRIと、異なる患者のクラスからの少量のFCNのみを使用して精神疾患を診断し、実際の臨床シナリオで実用的である。 3つの精神疾患診断タスクにおける競合性能は、マルチモーダルMRI情報の統合におけるCINPの有効性と、ネットワークプロンプトを用いた臨床診断にsMRIを組み込む可能性を示している。

関連論文リスト

• Tumor Location-weighted MRI-Report Contrastive Learning: A Framework for Improving the Explainability of Pediatric Brain Tumor Diagnosis [0.0]
  我々は3次元脳MRIスキャンと放射線検査で多モードCLアーキテクチャーを訓練し、情報的MRI表現を学習する。 次に,学習画像表現を応用して,小児の下等度グリオーマの遺伝マーカー分類の妥当性と性能を向上する。
  論文  参考訳（メタデータ） (2024-11-01T14:14:17Z)
• Copula-Linked Parallel ICA: A Method for Coupling Structural and Functional MRI brain Networks [0.5277756703318045]
  機能的MRI(fMRI)と構造的MRI(sMRI)を融合させる以前の研究では、このアプローチの利点が示されている。 我々は、深層学習フレームワーク、コプラと独立成分分析(ICA)を組み合わせた新しい融合法、コプラリンク並列ICA(CLiP-ICA)を開発した。 CLiP-ICAは、脳、感覚運動、視覚、認知制御、デフォルトモードネットワークなど、強い結合と弱い結合sMRIとfMRIネットワークの両方を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2024-10-14T01:35:41Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Multi-Dimension-Embedding-Aware Modality Fusion Transformer for Psychiatric Disorder Clasification [13.529183496842819]
  本研究では,入力2次元時系列のrs-fMRIと3次元ボリュームT1wの深層学習アーキテクチャを構築した。 統合失調症と双極性障害の診断において,MFFormerは単モードMRIや多モードMRIより優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-04T10:02:04Z)
• Leveraging Brain Modularity Prior for Interpretable Representation Learning of fMRI [38.236414924531196]
  静止状態機能的磁気共鳴画像(rs-fMRI)は脳の自律神経活動を反映することができる。 従来の研究では, マシン/ディープ学習手法を用いてfMRI表現を抽出し, その後の分析を行う方法が提案されている。 本稿では,fMRI解析のためのBMR(Brain Modularity-Constrained dynamic Representation Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-24T23:45:47Z)
• Video4MRI: An Empirical Study on Brain Magnetic Resonance Image Analytics with CNN-based Video Classification Frameworks [60.42012344842292]
  3次元CNNモデルが磁気共鳴画像(MRI)解析の分野を支配している。 本稿では,アルツハイマー病とパーキンソン病の認識の4つのデータセットを実験に利用した。 効率の面では、ビデオフレームワークは3D-CNNモデルよりも5%から11%、トレーニング可能なパラメータは50%から66%少ない。
  論文  参考訳（メタデータ） (2023-02-24T15:26:31Z)
• Deep Labeling of fMRI Brain Networks Using Cloud Based Processing [0.0]
  静止状態fMRIは、機能領域を可視化し、局所活動を評価する神経外科的事前計画に使用される。 本稿では,クラウドベースのワークフローに rs-fMRI の画像処理を組み込んだ,エンドツーエンドの再現可能なパイプラインを提案する。 我々は、ディープラーニングを用いて、Resting State Networks(RSNs)の分類を自動化する。
  論文  参考訳（メタデータ） (2022-09-16T23:59:42Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)

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。