論文の概要: MvHo-IB: Multi-View Higher-Order Information Bottleneck for Brain Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2507.02847v1
• Date: Thu, 03 Jul 2025 17:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.791242
• Title: MvHo-IB: Multi-View Higher-Order Information Bottleneck for Brain Disorder Diagnosis
• Title（参考訳）: MvHo-IB:脳疾患診断のための多視点高次情報基盤
• Authors: Kunyu Zhang, Qiang Li, Shujian Yu,
• Abstract要約: MvHo-IBは、ペアワイズインタラクションとHOIの両方を統合した、診断意思決定のための新しい多視点学習フレームワークである。 MvHo-IBは最先端の性能を達成し、従来の手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 22.172213148620166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent evidence suggests that modeling higher-order interactions (HOIs) in functional magnetic resonance imaging (fMRI) data can enhance the diagnostic accuracy of machine learning systems. However, effectively extracting and utilizing HOIs remains a significant challenge. In this work, we propose MvHo-IB, a novel multi-view learning framework that integrates both pairwise interactions and HOIs for diagnostic decision-making, while automatically compressing task-irrelevant redundant information. MvHo-IB introduces several key innovations: (1) a principled method that combines O-information from information theory with a matrix-based Renyi alpha-order entropy estimator to quantify and extract HOIs, (2) a purpose-built Brain3DCNN encoder to effectively utilize these interactions, and (3) a new multi-view learning information bottleneck objective to enhance representation learning. Experiments on three benchmark fMRI datasets demonstrate that MvHo-IB achieves state-of-the-art performance, significantly outperforming previous methods, including recent hypergraph-based techniques. The implementation of MvHo-IB is available at https://github.com/zky04/MvHo-IB.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)データにおける高次相互作用(HOIs)のモデル化は、機械学習システムの診断精度を高めることを示唆している。 しかし, HOIを効果的に抽出し, 利用することは重要な課題である。 本稿では,MvHo-IBを提案する。MvHo-IBは,タスク非関連冗長情報を自動圧縮しながら,ペアインタラクションとHOIを併用して診断判断を行う,新しい多視点学習フレームワークである。 MvHo-IB では,情報理論からの O-information と行列に基づく Renyi α-order entropy 推定器を組み合わせて HOI を定量化,抽出する原理的手法,これらの相互作用を効果的に活用するためのBrain3DCNN エンコーダ,そして表現学習を強化するための新たな多視点学習情報ボトルネック,などが紹介されている。 3つのベンチマークfMRIデータセットの実験により、MvHo-IBは最先端のパフォーマンスを達成し、最近のハイパーグラフベース技術を含む従来の手法よりも大幅に優れていた。 MvHo-IBの実装はhttps://github.com/zky04/MvHo-IBで公開されている。

関連論文リスト

• Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification [3.776159955137874]
  脳磁気共鳴画像(MRI)の包括的前処理とデータ拡張を組み込んだフレームワーク 新規性は二重レベルのアンサンブル戦略(特徴レベルのアンサンブル、分類器レベルのアンサンブル)にある。 2つのパブリックなKaggle MRI脳腫瘍データセットの実験は、このアプローチが最先端の手法を大幅に超えることを示した。
  論文  参考訳（メタデータ） (2025-06-14T05:53:54Z)
• Efficient Bilinear Attention-based Fusion for Medical Visual Question Answering [3.7133600776119136]
  MedVQA (MedVQA) は, 医学的画像理解と自然言語処理の交わる領域において, 臨床応用への関心が高まっている。 我々は,オルソゴニティ損失,マルチヘッドアテンション,双線形アテンションネットワークを統合した融合モデルOMniBANを導入し,高い計算効率とソリッドパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-28T13:24:12Z)
• Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations [7.013079422694949]
  機能神経画像の深部モデル設計のための実証的ガイドラインの確立を目指す。 fMRIを用いた認知的タスク認識と疾患診断におけるSOTA(State-of-the-arts)のパフォーマンスはどのようなものか? 以上の課題に対処するため,様々な場面で総合的な評価と統計的分析を行った。
  論文  参考訳（メタデータ） (2024-09-17T17:24:17Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Deep brain state classification of MEG data [2.9048924265579124]
  本稿では、Human Connectome Project(HCP)が提供するMEGデータと、様々な深層ニューラルネットワークモデルを組み合わせて脳復号を行う。
  論文  参考訳（メタデータ） (2020-07-02T05:51:57Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。