論文の概要: Data-Efficient Psychiatric Disorder Detection via Self-supervised Learning on Frequency-enhanced Brain Networks

• arxiv url: http://arxiv.org/abs/2509.10524v1
• Date: Thu, 04 Sep 2025 05:10:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-21 06:05:45.784482
• Title: Data-Efficient Psychiatric Disorder Detection via Self-supervised Learning on Frequency-enhanced Brain Networks
• Title（参考訳）: 周波数強調脳ネットワークを用いた自己教師型学習によるデータ効率のよい精神障害検出
• Authors: Mujie Liu, Mengchu Zhu, Qichao Dong, Ting Dang, Jiangang Ma, Jing Ren, Feng Xia,
• Abstract要約: 精神疾患は複雑な神経活動の変化を伴い、機能的磁気共鳴画像(fMRI)データが重要な診断証拠となる。 データ不足とfMRI情報の多様な性質は、大きな課題を引き起こしている。 本稿では,fMRIデータに特化して設計された新しいSSLフレームワークであるFENetを提案する。
• 参考スコア（独自算出の注目度）: 13.167147276235076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Psychiatric disorders involve complex neural activity changes, with functional magnetic resonance imaging (fMRI) data serving as key diagnostic evidence. However, data scarcity and the diverse nature of fMRI information pose significant challenges. While graph-based self-supervised learning (SSL) methods have shown promise in brain network analysis, they primarily focus on time-domain representations, often overlooking the rich information embedded in the frequency domain. To overcome these limitations, we propose Frequency-Enhanced Network (FENet), a novel SSL framework specially designed for fMRI data that integrates time-domain and frequency-domain information to improve psychiatric disorder detection in small-sample datasets. FENet constructs multi-view brain networks based on the inherent properties of fMRI data, explicitly incorporating frequency information into the learning process of representation. Additionally, it employs domain-specific encoders to capture temporal-spectral characteristics, including an efficient frequency-domain encoder that highlights disease-relevant frequency features. Finally, FENet introduces a domain consistency-guided learning objective, which balances the utilization of diverse information and generates frequency-enhanced brain graph representations. Experiments on two real-world medical datasets demonstrate that FENet outperforms state-of-the-art methods while maintaining strong performance in minimal data conditions. Furthermore, we analyze the correlation between various frequency-domain features and psychiatric disorders, emphasizing the critical role of high-frequency information in disorder detection.
• Abstract（参考訳）: 精神疾患は複雑な神経活動の変化を伴い、機能的磁気共鳴画像(fMRI)データが重要な診断証拠となる。 しかし、データ不足とfMRI情報の多様な性質は大きな課題を招いている。 グラフベースの自己教師型学習(SSL)手法は、脳ネットワーク分析において有望であるが、主に時間領域表現に焦点を当てており、しばしば周波数領域に埋め込まれた豊富な情報を見渡す。 これらの制限を克服するために,周波数拡張ネットワーク (FENet) を提案する。これはfMRIデータ用に特別に設計された新しいSSLフレームワークで,時間領域と周波数領域情報を統合して,小さなサンプルデータセットにおける精神疾患の検出を改善する。 FENetは、fMRIデータ固有の特性に基づいてマルチビュー脳ネットワークを構築し、周波数情報を表現の学習プロセスに明示的に組み込む。 さらに、ドメイン固有のエンコーダを使用して、病気に関連する周波数の特徴を強調する効率的な周波数領域エンコーダを含む時間スペクトル特性をキャプチャする。 最後に、FENetは、多様な情報の利用のバランスを保ち、周波数強調された脳グラフ表現を生成する、ドメイン整合性に基づく学習目標を導入する。 2つの実世界の医療データセットの実験により、FENetは最小限のデータ条件下での強いパフォーマンスを維持しながら、最先端の手法より優れていることが示された。 さらに、各種周波数領域の特徴と精神疾患の相関を解析し、障害検出における高周波情報の重要性を強調した。

関連論文リスト

• SFNet: A Spatial-Frequency Domain Deep Learning Network for Efficient Alzheimer's Disease Diagnosis [1.3401966602181168]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、高齢者に主に影響を及ぼす進行性神経変性疾患である。 SFNetは、空間領域情報と周波数領域情報を同時に利用して、3D MRIベースのAD診断を強化する最初のエンドツーエンドディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-07-22T06:33:00Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention [28.16273684461348]
  時間的・空間的注意(FSTA-EC)に基づく脳能動接続推定法を提案する。 FSTA-ECは、フーリエの注意と注意を組み合わせて、fMRIデータからシリーズ間(時間的)のダイナミックスとシリーズ内(時間的)の依存関係を同時にキャプチャする。 シミュレーションおよびリアルタイムfMRIデータセットの実験結果から,提案手法は最先端の手法と比較して優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2025-03-14T10:41:27Z)
• A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis [21.194849063213486]
  Domain Adversarial Federated Learning (DAFed)は、非IID fMRIデータ解析を多地点で行うための新しいディープラーニングフレームワークである。 DAFedは、これらの課題に、機能分離を通じて対処し、潜在機能空間をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-02-03T23:26:07Z)
• Learning Sequential Information in Task-based fMRI for Synthetic Data Augmentation [10.629487323161323]
  本稿では、下流学習における強化トレーニングデータセットの作成に使用できる合成fMRIシーケンスの生成手法を提案する。 合成画像は、可視化や自閉症スペクトラム障害(ASD)分類タスクを含む複数の視点から評価される。
  論文  参考訳（メタデータ） (2023-08-29T18:36:21Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。