Fugu-MT 論文翻訳(概要): BrainMAP: Multimodal Graph Learning For Efficient Brain Disease Localization

論文の概要: BrainMAP: Multimodal Graph Learning For Efficient Brain Disease Localization

arxiv url: http://arxiv.org/abs/2506.11178v1
Date: Thu, 12 Jun 2025 11:24:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-16 17:50:49.536331
Title: BrainMAP: Multimodal Graph Learning For Efficient Brain Disease Localization
Title（参考訳）: BrainMAP: 効率的な脳疾患の局所化のためのマルチモーダルグラフ学習
Authors: Nguyen Linh Dan Le, Jing Ren, Ciyuan Peng, Chengyao Xie, Bowen Li, Feng Xia,
Abstract要約: 本稿では,神経変性疾患による脳領域の精密かつ効率的な同定を目的とした新しいグラフ学習フレームワークであるBrainMAPを提案する。 BrainMAPは、疾患関連部分グラフに集中することにより、計算オーバーヘッドを50%以上削減する。実験結果から、BrainMAPは予測精度を損なうことなく、最先端の手法よりも計算効率が優れていることが示された。
参考スコア（独自算出の注目度）: 18.83554489847398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent years have seen a surge in research focused on leveraging graph learning techniques to detect neurodegenerative diseases. However, existing graph-based approaches typically lack the ability to localize and extract the specific brain regions driving neurodegenerative pathology within the full connectome. Additionally, recent works on multimodal brain graph models often suffer from high computational complexity, limiting their practical use in resource-constrained devices. In this study, we present BrainMAP, a novel multimodal graph learning framework designed for precise and computationally efficient identification of brain regions affected by neurodegenerative diseases. First, BrainMAP utilizes an atlas-driven filtering approach guided by the AAL atlas to pinpoint and extract critical brain subgraphs. Unlike recent state-of-the-art methods, which model the entire brain network, BrainMAP achieves more than 50% reduction in computational overhead by concentrating on disease-relevant subgraphs. Second, we employ an advanced multimodal fusion process comprising cross-node attention to align functional magnetic resonance imaging (fMRI) and diffusion tensor imaging (DTI) data, coupled with an adaptive gating mechanism to blend and integrate these modalities dynamically. Experimental results demonstrate that BrainMAP outperforms state-of-the-art methods in computational efficiency, without compromising predictive accuracy.
Abstract（参考訳）: 近年、神経変性疾患を検出するためにグラフ学習技術を活用する研究が急増している。しかし、既存のグラフベースのアプローチは、典型的には、完全なコネクトーム内で神経変性病理を駆動する特定の脳領域を局在させ、抽出する能力に欠ける。さらに、最近のマルチモーダル脳グラフモデルの研究は、しばしば高い計算複雑性に悩まされ、リソース制約されたデバイスでの使用を制限している。本研究では,神経変性疾患による脳領域の精密かつ効率的な同定を目的とした,新しいマルチモーダルグラフ学習フレームワークであるBrainMAPを提案する。まず、BrainMAPは、AALアトラスによって導かれるアトラス駆動のフィルタリングアプローチを使用して、重要な脳のサブグラフをピンポイントし抽出する。脳ネットワーク全体をモデル化する最近の最先端の手法とは異なり、BrainMAPは疾患関連部分グラフに集中して計算オーバーヘッドを50%以上削減する。第2に、機能的磁気共鳴イメージング(fMRI)と拡散テンソルイメージング(DTI)データを調整するために、クロスノードアテンションを含む高度なマルチモーダル融合プロセスと、これらのモダリティを動的にブレンドし統合するための適応ゲーティング機構を併用する。実験結果から、BrainMAPは予測精度を損なうことなく、最先端の手法よりも計算効率が優れていることが示された。

関連論文リスト

BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文参考訳（メタデータ） (2024-12-23T09:13:35Z)
Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders [27.280927277680515]
本稿では、一般化可能なエンコーダをトレーニングするためのプレテキストモデルと、下流タスクを実行するためのタスク固有モデルからなるトポロジ対応グラフ拡張(TGA)フレームワークを提案する。 1,688 fMRIでの実験では、TGAがいくつかの最先端の手法より優れていることが示唆された。
論文参考訳（メタデータ） (2024-10-31T19:37:20Z)
Latent Representation Learning for Multimodal Brain Activity Translation [14.511112110420271]
本稿では、空間的および時間的解像度ギャップをモダリティに橋渡しするSAMBA(Spatiotemporal Alignment of Multimodal Brain Activity)フレームワークを提案する。 SAMBAは、電気生理学的記録のスペクトルフィルタリングのための新しい注目ベースのウェーブレット分解を導入した。 SAMBAの学習は、翻訳の他に、脳情報処理の豊かな表現も学べることが示されている。
論文参考訳（メタデータ） (2024-09-27T05:50:29Z)
Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文参考訳（メタデータ） (2024-06-01T02:47:39Z)
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)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
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)
BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
論文参考訳（メタデータ） (2022-08-05T07:54:10Z)
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)
Recurrent Brain Graph Mapper for Predicting Time-Dependent Brain Graph Evaluation Trajectory [0.0]
脳障害は、脳の構造的および機能的結合性の変化を観察することで検出できる。最近の研究は、機械学習モデルの提案により、時間とともに脳の結合性の進化を予測することを目的としている。本稿では、時間依存型脳疾患の診断において、より効率的な代替手段として、脳結合性を用いることを提案する。
論文参考訳（メタデータ） (2021-10-06T09:25:55Z)

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。