論文の概要: Hierarchical Brain Structure Modeling for Predicting Genotype of Glioma

• arxiv url: http://arxiv.org/abs/2508.09593v1
• Date: Wed, 13 Aug 2025 08:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.809729
• Title: Hierarchical Brain Structure Modeling for Predicting Genotype of Glioma
• Title（参考訳）: グリオーマの遺伝子型予測のための階層的脳構造モデリング
• Authors: Haotian Tang, Jianwei Chen, Xinrui Tang, Yunjia Wu, Zhengyang Miao, Chao Li,
• Abstract要約: Isocitrate DeHydrogenase (IDH) 変異はグリオーマ予後にとって重要なバイオマーカーである。 Hi-SMGNNは構造的および形態的コネクトームを統合する階層的なフレームワークである。
• 参考スコア（独自算出の注目度）: 6.076902191880867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Isocitrate DeHydrogenase (IDH) mutation status is a crucial biomarker for glioma prognosis. However, current prediction methods are limited by the low availability and noise of functional MRI. Structural and morphological connectomes offer a non-invasive alternative, yet existing approaches often ignore the brain's hierarchical organisation and multiscale interactions. To address this, we propose Hi-SMGNN, a hierarchical framework that integrates structural and morphological connectomes from regional to modular levels. It features a multimodal interaction module with a Siamese network and cross-modal attention, a multiscale feature fusion mechanism for reducing redundancy, and a personalised modular partitioning strategy to enhance individual specificity and interpretability. Experiments on the UCSF-PDGM dataset demonstrate that Hi-SMGNN outperforms baseline and state-of-the-art models, showing improved robustness and effectiveness in IDH mutation prediction.
• Abstract（参考訳）: Isocitrate DeHydrogenase (IDH) 変異はグリオーマ予後にとって重要なバイオマーカーである。 しかし、現在の予測手法は、機能的MRIの低可用性とノイズによって制限されている。 構造的および形態学的コネクトームは非侵襲的な代替手段を提供するが、既存のアプローチは脳の階層的構造やマルチスケール相互作用を無視していることが多い。 そこで本稿では,構造的および形態的コネクトームを地域レベルからモジュールレベルへ統合する階層型フレームワークであるHi-SMGNNを提案する。 Siameseネットワークとクロスモーダルアテンションを備えたマルチモーダルインタラクションモジュール、冗長性を低減するためのマルチスケール機能融合機構、個別の特異性と解釈可能性を高めるためのパーソナライズされたモジュール分割戦略を備えている。 UCSF-PDGMデータセットの実験では、Hi-SMGNNはベースラインや最先端モデルよりも優れており、IDH変異予測における堅牢性と有効性が改善されている。

関連論文リスト

• An Interpretable Multi-Plane Fusion Framework With Kolmogorov-Arnold Network Guided Attention Enhancement for Alzheimer's Disease Diagnosis [1.3401966602181168]
  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。
  論文  参考訳（メタデータ） (2025-08-08T09:26:49Z)
• 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)
• Network-based Neighborhood regression [0.0]
  生物学的モジュールの現在の統計分析は、ネットワークデータを用いることなく、生物学的ネットワーク内の機能モジュールを検出するか、または生物学的特徴のサブグループ回帰を検出することに焦点を当てている。 本稿では,グローバルなコミュニティレベルの情報と,エンティティ間のローカル接続構造に依存する,新たなネットワークベースの地区回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-04T18:08:40Z)
• Unified Modeling Enhanced Multimodal Learning for Precision Neuro-Oncology [8.802214988309684]
  ヒストロジーとゲノム学の両モードの共通性と相補的な特徴を利用する階層的アテンション構造を導入する。 本手法は,グリオーマ診断および予後タスクにおける従来の最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-06-11T09:06:41Z)
• 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)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)
• Multi-modal learning for predicting the genotype of glioma [14.93152817415408]
  Isocitrate dehydrogenase (IDH)遺伝子変異はグリオーマの診断と予後に必須なバイオマーカーである。 焦点腫瘍像と幾何学的特徴をMRIから派生した脳ネットワーク特徴と統合することにより、グリオーマ遺伝子型をより正確に予測できることが期待されている。 本稿では,3つのエンコーダを用いたマルチモーダル学習フレームワークを提案し,局所腫瘍像,腫瘍幾何学,大域脳ネットワークの特徴を抽出する。
  論文  参考訳（メタデータ） (2022-03-21T10:20:04Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。