論文の概要: Symmetry Interactive Transformer with CNN Framework for Diagnosis of Alzheimer's Disease Using Structural MRI

• arxiv url: http://arxiv.org/abs/2509.08243v1
• Date: Wed, 10 Sep 2025 02:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.294642
• Title: Symmetry Interactive Transformer with CNN Framework for Diagnosis of Alzheimer's Disease Using Structural MRI
• Title（参考訳）: 構造MRIを用いたアルツハイマー病診断のためのシンメトリインタラクティブトランスフォーマとCNNフレームワーク
• Authors: Zheng Yang, Yanteng Zhang, Xupeng Kou, Yang Liu, Chao Ren,
• Abstract要約: 左脳萎縮と右脳萎縮による疾患ベースの非対称性検出のためのエンドツーエンドネットワークを提案する。 一般的な変換器と組み合わせたCNN法やCNN法と比較して,診断精度が92.5%向上した。
• 参考スコア（独自算出の注目度）: 10.385248001019184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural magnetic resonance imaging (sMRI) combined with deep learning has achieved remarkable progress in the prediction and diagnosis of Alzheimer's disease (AD). Existing studies have used CNN and transformer to build a well-performing network, but most of them are based on pretraining or ignoring the asymmetrical character caused by brain disorders. We propose an end-to-end network for the detection of disease-based asymmetric induced by left and right brain atrophy which consist of 3D CNN Encoder and Symmetry Interactive Transformer (SIT). Following the inter-equal grid block fetch operation, the corresponding left and right hemisphere features are aligned and subsequently fed into the SIT for diagnostic analysis. SIT can help the model focus more on the regions of asymmetry caused by structural changes, thus improving diagnostic performance. We evaluated our method based on the ADNI dataset, and the results show that the method achieves better diagnostic accuracy (92.5\%) compared to several CNN methods and CNNs combined with a general transformer. The visualization results show that our network pays more attention in regions of brain atrophy, especially for the asymmetric pathological characteristics induced by AD, demonstrating the interpretability and effectiveness of the method.
• Abstract（参考訳）: 組織磁気共鳴画像(sMRI)と深層学習を組み合わせることで,アルツハイマー病(AD)の予測と診断が著しく進歩した。 既存の研究では、CNNとトランスフォーマーを使用して、良好なパフォーマンスのネットワークを構築してきたが、そのほとんどは、脳障害によって引き起こされる非対称な特徴の事前訓練や無視に基づいている。 本稿では,3次元CNNエンコーダとシンメトリー・インタラクティブ・トランスフォーマー(SIT)からなる,左右脳萎縮による疾患ベースの非対称性検出のためのエンドツーエンドネットワークを提案する。 同値グリッドブロックフェッチ操作の後、対応する左右半球の特徴が整列され、診断解析のためにSITに供給される。 SITはモデルが構造変化によって生じる非対称性の領域にもっと焦点を合わせるのに役立つため、診断性能が向上する。 提案手法をADNIデータセットに基づいて評価した結果, 一般的な変換器と組み合わせたCNN法と比較すると, 診断精度が92.5\%向上していることがわかった。 可視化の結果,脳萎縮領域,特にADにより誘導される非対称な病理特性に注目が集まることが明らかとなり,その解釈性と効果が示された。

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)
• Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
  マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。 提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。 両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
  論文  参考訳（メタデータ） (2024-09-22T01:23:46Z)
• Symmetry Awareness Encoded Deep Learning Framework for Brain Imaging Analysis [17.96729816246268]
  本研究は,脳疾患の検出とセグメンテーション分析を強化するために,ヒト脳の固有対称解剖学的特徴を活用する新しいアプローチを提案する。 左右半球の対称的特徴を符号化するために,新たな対称性認識クロスアテンション (SACA) モジュールが提案され,Symmetry-Aware Head (SAH) として対称的特徴を検出するプロキシタスクが提案されている。 本研究は, 事前トレーニングに対称性認識を取り入れることの有効性を提唱し, 医用画像解析のための新しいベンチマークを作成し, 正確かつ効率的な診断プロセスに向けて大きな前進を約束する。
  論文  参考訳（メタデータ） (2024-07-12T03:08:15Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• 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)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• 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。