論文の概要: ConnectomeDiffuser: Generative AI Enables Brain Network Construction from Diffusion Tensor Imaging

• arxiv url: http://arxiv.org/abs/2505.22683v1
• Date: Fri, 23 May 2025 15:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.434401
• Title: ConnectomeDiffuser: Generative AI Enables Brain Network Construction from Diffusion Tensor Imaging
• Title（参考訳）: ConnectomeDiffuser: 拡散テンソルイメージングによる脳ネットワーク構築を可能にする生成AI
• Authors: Xuhang Chen, Michael Kwok-Po Ng, Kim-Fung Tsang, Chi-Man Pun, Shuqiang Wang,
• Abstract要約: 脳ネットワーク解析はアルツハイマー病(AD)などの神経変性疾患の診断とモニタリングに重要な役割を果たしている 拡散テンソルイメージング(DTI)から構造脳ネットワークを構築するための既存のアプローチは、しばしば固有の制限に悩まされる特別なツールキットに依存している。 本研究は,DTIによるエンド・ツー・エンド脳ネットワーク構築のための新しい拡散型フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 36.89452147894995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain network analysis plays a crucial role in diagnosing and monitoring neurodegenerative disorders such as Alzheimer's disease (AD). Existing approaches for constructing structural brain networks from diffusion tensor imaging (DTI) often rely on specialized toolkits that suffer from inherent limitations: operator subjectivity, labor-intensive workflows, and restricted capacity to capture complex topological features and disease-specific biomarkers. To overcome these challenges and advance computational neuroimaging instrumentation, ConnectomeDiffuser is proposed as a novel diffusion-based framework for automated end-to-end brain network construction from DTI. The proposed model combines three key components: (1) a Template Network that extracts topological features from 3D DTI scans using Riemannian geometric principles, (2) a diffusion model that generates comprehensive brain networks with enhanced topological fidelity, and (3) a Graph Convolutional Network classifier that incorporates disease-specific markers to improve diagnostic accuracy. ConnectomeDiffuser demonstrates superior performance by capturing a broader range of structural connectivity and pathology-related information, enabling more sensitive analysis of individual variations in brain networks. Experimental validation on datasets representing two distinct neurodegenerative conditions demonstrates significant performance improvements over other brain network methods. This work contributes to the advancement of instrumentation in the context of neurological disorders, providing clinicians and researchers with a robust, generalizable measurement framework that facilitates more accurate diagnosis, deeper mechanistic understanding, and improved therapeutic monitoring of neurodegenerative diseases such as AD.
• Abstract（参考訳）: 脳ネットワーク解析はアルツハイマー病(AD)などの神経変性疾患の診断とモニタリングにおいて重要な役割を担っている。 拡散テンソルイメージング(DTI)から構造脳ネットワークを構築するための既存のアプローチは、オペレーターの主観性、労働集約的なワークフロー、複雑なトポロジカルな特徴や病気固有のバイオマーカーを捉える能力の制限といった、固有の制限に悩む特殊なツールキットに依存していることが多い。 これらの課題を克服し、コンピュータ・ニューロイメージング・インスツルメンテーションを推進すべく、ConnectomeDiffuserはDTIからエンド・ツー・エンドの脳ネットワークを構築するための新しい拡散ベースのフレームワークとして提案されている。 提案モデルは,(1)リーマン幾何学的原理を用いて3次元DTIスキャンからトポロジ的特徴を抽出するテンプレートネットワーク,(2)トポロジ的忠実度を向上した包括的脳ネットワークを生成する拡散モデル,(3)病気特異的マーカーを組み込んで診断精度を向上させるグラフ畳み込みネットワーク分類器の3つの主要な構成要素を組み合わせた。 ConnectomeDiffuserは、より広範な構造的接続と病理関連情報をキャプチャし、脳ネットワークの個々のバリエーションをより敏感に分析することで、優れたパフォーマンスを示す。 2つの異なる神経変性条件を示すデータセットに対する実験的検証は、他の脳ネットワーク法よりも顕著な性能改善を示す。 この研究は、神経疾患の文脈における計測器の進歩に寄与し、より正確な診断、より深い機械的理解、ADのような神経変性疾患の治療モニタリングの改善を促進する、堅牢で一般化可能な測定フレームワークを臨床医や研究者に提供する。

関連論文リスト

• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• BrainNetDiff: Generative AI Empowers Brain Network Generation via Multimodal Diffusion Model [7.894526238189559]
  我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。 健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
  論文  参考訳（メタデータ） (2023-11-09T08:27:12Z)
• Fusing Structural and Functional Connectivities using Disentangled VAE for Detecting MCI [9.916963496386089]
  階層型構造機能接続ファジング(HSCF)モデルを提案し,脳構造機能接続行列を構築した。 公的なアルツハイマー病神経画像イニシアチブデータベース上で行われた幅広いテストの結果、提案モデルは競合するアプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-06-16T05:22:25Z)
• PTGB: Pre-Train Graph Neural Networks for Brain Network Analysis [39.16619345610152]
  臨床結果に関係なく,脳内ネットワーク構造をキャプチャするGNN事前学習フレームワークPTGBを提案する。 PTGBは,(1)脳ネットワークに特化して設計された教師なし事前学習技術で,タスク固有のラベルを持たない大規模データセットからの学習を可能にすること,(2)異なるROIシステムを持つデータセット間の知識伝達を容易にするデータ駆動型パーセルレーションアトラスマッピングパイプラインである。
  論文  参考訳（メタデータ） (2023-05-20T21:07:47Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Interpretable multimodal fusion networks reveal mechanisms of brain cognition [26.954460880062506]
  我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。 脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
  論文  参考訳（メタデータ） (2020-06-16T18:52:50Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。