論文の概要: Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2507.13992v1
• Date: Fri, 18 Jul 2025 14:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.32851
• Title: Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks
• Title（参考訳）: ディープラーニングを用いた構造的コネクトーム調和:グラフニューラルネットワークの強み
• Authors: Jagruti Patel, Thomas A. W. Bolton, Mikkel Schöttner, Anjali Tarun, Sebastien Tourbier, Yasser Alemàn-Gòmez, Jonas Richiardi, Patric Hagmann,
• Abstract要約: 構造コネクトーム(SC)研究における小さなサンプルサイズは、神経学的および精神疾患に対する信頼性の高いバイオマーカーの開発を制限する。 大規模なマルチサイト研究は存在するが、スキャナーの不均一性による買収関連バイアスがある。 本稿では,メタデータを必要とせず,多様な取得サイト間でSCを調和させる,サイト条件の深い調和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）: 0.9663199711697325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small sample sizes in neuroimaging in general, and in structural connectome (SC) studies in particular limit the development of reliable biomarkers for neurological and psychiatric disorders - such as Alzheimer's disease and schizophrenia - by reducing statistical power, reliability, and generalizability. Large-scale multi-site studies have exist, but they have acquisition-related biases due to scanner heterogeneity, compromising imaging consistency and downstream analyses. While existing SC harmonization methods - such as linear regression (LR), ComBat, and deep learning techniques - mitigate these biases, they often rely on detailed metadata, traveling subjects (TS), or overlook the graph-topology of SCs. To address these limitations, we propose a site-conditioned deep harmonization framework that harmonizes SCs across diverse acquisition sites without requiring metadata or TS that we test in a simulated scenario based on the Human Connectome Dataset. Within this framework, we benchmark three deep architectures - a fully connected autoencoder (AE), a convolutional AE, and a graph convolutional AE - against a top-performing LR baseline. While non-graph models excel in edge-weight prediction and edge existence detection, the graph AE demonstrates superior preservation of topological structure and subject-level individuality, as reflected by graph metrics and fingerprinting accuracy, respectively. Although the LR baseline achieves the highest numerical performance by explicitly modeling acquisition parameters, it lacks applicability to real-world multi-site use cases as detailed acquisition metadata is often unavailable. Our results highlight the critical role of model architecture in SC harmonization performance and demonstrate that graph-based approaches are particularly well-suited for structure-aware, domain-generalizable SC harmonization in large-scale multi-site SC studies.
• Abstract（参考訳）: 神経画像、特に構造コネクトーム(SC)研究における小さなサンプルサイズは、統計力、信頼性、一般化性を減らすことで、アルツハイマー病や統合失調症などの神経学的・精神疾患に対する信頼性の高いバイオマーカーの開発を制限している。 大規模なマルチサイト研究は存在するが、スキャナーの不均一性、画像の一貫性の妥協、下流分析による買収関連バイアスがある。 線形回帰(LR)やコムバット(ComBat)、ディープラーニング(Deep Learning)といった既存のSC調和手法は、これらのバイアスを軽減する一方で、詳細なメタデータ、旅行対象(TS)、あるいはSCのグラフトポロジーを見落としていることが多い。 これらの制約に対処するために,Human Connectome Datasetに基づくシミュレーションシナリオでテストするメタデータやTSを必要とせずに,多様な取得サイト間でSCを調和させる,サイト条件の深い調和フレームワークを提案する。 本フレームワークでは,完全接続型オートエンコーダ(AE),畳み込み型AE,グラフ畳み込み型AEの3つの深いアーキテクチャをLRベースラインに対してベンチマークする。 非グラフモデルはエッジウェイト予測とエッジ存在検出に優れているが、グラフAEは、グラフメトリクスとフィンガープリント精度によってそれぞれ反映されるように、トポロジ的構造と主観的個人性の優れた保存を示す。 LRベースラインは、明示的に取得パラメータをモデル化することで高い数値性能を達成するが、詳細な取得メタデータがしばしば利用できないため、実世界のマルチサイトユースケースへの適用性に欠ける。 本研究は, 大規模多地点SC研究において, モデルアーキテクチャがSC調和性能において重要な役割を担い, グラフベースのアプローチが特に構造認識, ドメイン一般化可能なSC調和に適していることを示すものである。

関連論文リスト

• Information-theoretic Quantification of High-order Feature Effects in Classification Problems [0.19791587637442676]
  特徴重要度(Hi-Fi)法における高次相互作用の情報理論拡張について述べる。 私たちのフレームワークは、機能のコントリビューションをユニークでシナジスティックで冗長なコンポーネントに分解します。 その結果,提案した推定器は理論的および予測された結果を正確に復元することがわかった。
  論文  参考訳（メタデータ） (2025-07-06T11:50:30Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [64.74977204942199]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)
• Dynamic Hypergraph Representation for Bone Metastasis Cancer Analysis [12.383707480056557]
  骨転移解析は患者の生活の質や治療戦略を決定する上で重要な役割を担っている。 従来のグラフ表現のエッジ構築制限を克服する動的ハイパーグラフニューラルネットワーク(DyHG)を提案する。 DyHGは最先端のSOTAベースラインを著しく上回り、複雑な生物学的相互作用をモデル化する能力を示している。
  論文  参考訳（メタデータ） (2025-01-28T08:33:59Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Explainable Spatio-Temporal GCNNs for Irregular Multivariate Time Series: Architecture and Application to ICU Patient Data [7.433698348783128]
  XST-CNN(eXG-Temporal Graph Conal Neural Network)は、不均一で不規則なマルチ時系列(MTS)データを処理するための新しいアーキテクチャである。 提案手法は,GCNNパイプラインを利用して時間的・時間的統合パイプライン内での時間的特徴を捉える。 ICU患者のマルチドラッグ抵抗(MDR)を予測するために,実世界の電子健康記録データを用いてXST-CNNを評価した。
  論文  参考訳（メタデータ） (2024-11-01T22:53:17Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• Integrating multiscale topology in digital pathology with pyramidal graph convolutional networks [0.10995326465245926]
  グラフ畳み込みネットワーク(GCN)は、デジタル病理学における畳み込みニューラルネットワークを用いた複数インスタンス学習の強力な代替手段として登場した。 提案するマルチスケールGCN (MS-GCN) は,スライド画像全体において複数の倍率レベルにまたがる情報を活用することでこの問題に対処する。 MS-GCNは、既存の単一磁化GCN法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-22T09:48:50Z)
• GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.477527192030786]
  本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。 我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。 収束に基づくノード集約機構を導入したGRASPは、バランスの取れた精度で最先端の手法を高いマージンで上回る。
  論文  参考訳（メタデータ） (2024-02-06T00:03:44Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Hypergraph Contrastive Collaborative Filtering [44.8586906335262]
  新たな自己監督型推薦フレームワークHypergraph Contrastive Collaborative Filtering (HCCF)を提案する。 HCCFは、ハイパーグラフを拡張したクロスビューコントラスト学習アーキテクチャと、ローカルおよびグローバルなコラボレーティブな関係をキャプチャする。 提案モデルでは,ハイパーグラフ構造と自己教師付き学習を効果的に統合し,レコメンダシステムの表現品質を向上する。
  論文  参考訳（メタデータ） (2022-04-26T10:06:04Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。