論文の概要: An Interpretable Multi-Plane Fusion Framework With Kolmogorov-Arnold Network Guided Attention Enhancement for Alzheimer's Disease Diagnosis
- arxiv url: http://arxiv.org/abs/2508.06157v1
- Date: Fri, 08 Aug 2025 09:26:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 20:39:06.174528
- Title: An Interpretable Multi-Plane Fusion Framework With Kolmogorov-Arnold Network Guided Attention Enhancement for Alzheimer's Disease Diagnosis
- Title（参考訳）: Kolmogorov-Arnold Network を用いた多面体核融合フレームワーク
- Authors: Xiaoxiao Yang, Meiliang Liu, Yunfang Xu, Zijin Li, Zhengye Si, Xinyue Yang, Zhiwen Zhao,
- Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、認知機能や生活の質を著しく損なう進行性神経変性疾患である。
これらの制限を克服するために,多面体融合(MPF)を統合したMPF-KANSCという革新的なフレームワークを提案する。
ADNIデータセットの実験により、提案したMPF-KANSCがAD診断において優れた性能を発揮することが確認された。
- 参考スコア（独自算出の注目度）: 1.3401966602181168
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Alzheimer's disease (AD) is a progressive neurodegenerative disorder that severely impairs cognitive function and quality of life. Timely intervention in AD relies heavily on early and precise diagnosis, which remains challenging due to the complex and subtle structural changes in the brain. Most existing deep learning methods focus only on a single plane of structural magnetic resonance imaging (sMRI) and struggle to accurately capture the complex and nonlinear relationships among pathological regions of the brain, thus limiting their ability to precisely identify atrophic features. To overcome these limitations, we propose an innovative framework, MPF-KANSC, which integrates multi-plane fusion (MPF) for combining features from the coronal, sagittal, and axial planes, and a Kolmogorov-Arnold Network-guided spatial-channel attention mechanism (KANSC) to more effectively learn and represent sMRI atrophy features. Specifically, the proposed model enables parallel feature extraction from multiple anatomical planes, thus capturing more comprehensive structural information. The KANSC attention mechanism further leverages a more flexible and accurate nonlinear function approximation technique, facilitating precise identification and localization of disease-related abnormalities. Experiments on the ADNI dataset confirm that the proposed MPF-KANSC achieves superior performance in AD diagnosis. Moreover, our findings provide new evidence of right-lateralized asymmetry in subcortical structural changes during AD progression, highlighting the model's promising interpretability.
- Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、認知機能や生活の質を著しく損なう進行性神経変性疾患である。
ADの時間的介入は、脳の複雑で微妙な構造の変化のため、早期かつ正確な診断に大きく依存している。
既存のディープラーニング手法の多くは、構造的磁気共鳴イメージング(sMRI)の単一の平面にのみ焦点をあて、脳の病理領域間の複雑で非線形な関係を正確に捉えるのに苦慮している。
これらの制約を克服するため,MPF-KANSC(多面体融合)とKANSC(Kolmogorov-Arnold Network-guided Space-channel attention mechanism)を併用して,SMRIの萎縮特性をより効果的に学習し,表現する手法を提案する。
具体的には,複数の解剖学的平面から並列特徴抽出が可能であり,より包括的な構造情報を取得することができる。
kanSCの注意機構はさらに、より柔軟で正確な非線形関数近似技術を活用し、疾患関連異常の正確な同定と局所化を容易にする。
ADNIデータセットの実験により、提案したMPF-KANSCがAD診断において優れた性能を発揮することが確認された。
さらに,AD進行過程における皮質下構造変化の左右非対称性の新たな証拠が得られ,モデルの有望な解釈可能性を強調した。
関連論文リスト
- Multi-omic Prognosis of Alzheimer's Disease with Asymmetric Cross-Modal Cross-Attention Network [0.5325390073522079]
本稿では,アルツハイマー病の診断における医療従事者を支援するための新しいディープラーニングアルゴリズムフレームワークを提案する。
脳フルオロデオキシグルコースポジトロン断層撮影(PET)、MRI(MRI)、遺伝子データ、臨床データなどの医療用多視点情報を融合することにより、ADの存在を正確に検出することができる。
アルゴリズムモデルは、テストセット上で94.88%の精度を達成する。
論文 参考訳（メタデータ） (2025-07-09T07:12:38Z) - Unified Cross-Modal Attention-Mixer Based Structural-Functional Connectomics Fusion for Neuropsychiatric Disorder Diagnosis [17.40353435750778]
ConneXはマルチモーダル核融合法であり、多層パーセプトロン(MLP)-ミクサーとクロスアテンション機構を統合する。
2つの異なる臨床データセット上での性能向上を示し、提案フレームワークの堅牢性を強調した。
論文 参考訳（メタデータ） (2025-05-21T05:49:13Z) - 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。
提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。
提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
論文 参考訳（メタデータ） (2025-04-23T15:18:55Z) - MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [52.106879463828044]
病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。
モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。
がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-03-01T07:02:30Z) - MRI Patterns of the Hippocampus and Amygdala for Predicting Stages of Alzheimer's Progression: A Minimal Feature Machine Learning Framework [0.0]
本研究では、構造的MRIデータを活用する最小機能機械学習フレームワークを提案し、興味のある領域として海馬と扁桃体に焦点を当てた。
このフレームワークは、特徴選択による次元の呪いに対処し、地域固有のボクセル情報を利用し、ノイズを低減して分類性能を向上させる革新的なデータ組織を実装している。
論文 参考訳（メタデータ） (2025-01-10T10:47:00Z) - Alzheimer's Disease Prediction via Brain Structural-Functional Deep
Fusing Network [5.945843237682432]
機能的および構造的情報を融合するために, クロスモーダルトランスフォーマー生成対向ネットワーク (CT-GAN) を提案する。
生成した接続特性を解析することにより,AD関連脳の接続を同定することができる。
パブリックADNIデータセットの評価から,提案したCT-GANは予測性能を劇的に向上し,AD関連脳領域を効果的に検出できることが示された。
論文 参考訳（メタデータ） (2023-09-28T07:06:42Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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。