論文の概要: VarCoNet: A variability-aware self-supervised framework for functional connectome extraction from resting-state fMRI

• arxiv url: http://arxiv.org/abs/2510.02120v1
• Date: Thu, 02 Oct 2025 15:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:21.188275
• Title: VarCoNet: A variability-aware self-supervised framework for functional connectome extraction from resting-state fMRI
• Title（参考訳）: VarCoNet:静止状態fMRIから機能的コネクトーム抽出のための可変性を考慮した自己教師型フレームワーク
• Authors: Charalampos Lamprou, Aamna Alshehhi, Leontios J. Hadjileontiadis, Mohamed L. Seghier,
• Abstract要約: VarCoNetは、静止状態fMRI(rs-fMRI)データからロバスト関数コネクトーム(FC)を抽出するための拡張された自己教師型フレームワークである。 VarCoNetは自己教師付きコントラスト学習を用いて、本質的に機能的な個人間変動を生かしている。 VarCoNetは、(i)Human Connectome Projectのrs-fMRIデータと(ii)ABIDE IとABIDE IIデータセットのrs-fMRIデータを用いて、(ii)自閉症スペクトラム障害(ASD)分類という2つの下流タスクで評価されている。
• 参考スコア（独自算出の注目度）: 7.527593034430982
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accounting for inter-individual variability in brain function is key to precision medicine. Here, by considering functional inter-individual variability as meaningful data rather than noise, we introduce VarCoNet, an enhanced self-supervised framework for robust functional connectome (FC) extraction from resting-state fMRI (rs-fMRI) data. VarCoNet employs self-supervised contrastive learning to exploit inherent functional inter-individual variability, serving as a brain function encoder that generates FC embeddings readily applicable to downstream tasks even in the absence of labeled data. Contrastive learning is facilitated by a novel augmentation strategy based on segmenting rs-fMRI signals. At its core, VarCoNet integrates a 1D-CNN-Transformer encoder for advanced time-series processing, enhanced with a robust Bayesian hyperparameter optimization. Our VarCoNet framework is evaluated on two downstream tasks: (i) subject fingerprinting, using rs-fMRI data from the Human Connectome Project, and (ii) autism spectrum disorder (ASD) classification, using rs-fMRI data from the ABIDE I and ABIDE II datasets. Using different brain parcellations, our extensive testing against state-of-the-art methods, including 13 deep learning methods, demonstrates VarCoNet's superiority, robustness, interpretability, and generalizability. Overall, VarCoNet provides a versatile and robust framework for FC analysis in rs-fMRI.
• Abstract（参考訳）: 脳機能における個人間変動の会計は、精密医療の鍵となる。 本稿では、雑音ではなく有意義なデータとして機能的個人間変動を考慮し、静止状態fMRI(rs-fMRI)データから頑健な機能的コネクトーム(FC)抽出のための自己教師型フレームワークであるVarCoNetを紹介する。 VarCoNetは自己教師付きコントラスト学習を用いて、ラベル付きデータがない場合でも容易に下流のタスクに適用可能なFC埋め込みを生成する脳機能エンコーダとして機能し、機能的な個人間変動を利用する。 コントラスト学習は、rs-fMRI信号のセグメント化に基づく新しい拡張戦略によって促進される。 中心となるVarCoNetは、1D-CNN-Transformerエンコーダを統合して、高度な時系列処理を実現し、ベイズハイパーパラメーター最適化の強化を図っている。 私たちのVarCoNetフレームワークは、以下の2つの下流タスクで評価されます。 (i)Human Connectome Projectのrs-fMRIデータを用いた被写体指紋認証 (II)ABIDE IおよびABIDE IIデータセットからのrs-fMRIデータを用いた自閉症スペクトラム障害(ASD)分類。 13のディープラーニングメソッドを含む最先端の手法に対する広範なテストでは、VarCoNetの優位性、堅牢性、解釈可能性、一般化性を実証しています。 全体として、VarCoNetは、rs-fMRIでFC分析のための汎用的で堅牢なフレームワークを提供する。

関連論文リスト

• ICFNet: Integrated Cross-modal Fusion Network for Survival Prediction [24.328576712419814]
  本稿では,スライド画像全体,ゲノム表現プロファイル,患者の人口統計,治療プロトコルを統合した総合的クロスモーダル・フュージョン・ネットワーク(ICFNet)を提案する。 ICFNetは、5つのパブリックTCGAデータセットで最先端のアルゴリズムより優れている。
  論文  参考訳（メタデータ） (2025-01-06T05:49:08Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-24T09:09:20Z)
• Self-Supervised Pre-training Tasks for an fMRI Time-series Transformer in Autism Detection [3.665816629105171]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、様々な症状や障害の程度を包含する神経発達障害である。 我々は,関数接続を計算せずに時系列fMRIデータを直接解析するトランスフォーマーベースの自己教師型フレームワークを開発した。 ランダムにROIをマスキングすると、トレーニング前のステップでランダムにマスキングする時間ポイントよりも、モデル性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-09-18T20:29:23Z)
• RSF-Conv: Rotation-and-Scale Equivariant Fourier Parameterized Convolution for Retinal Vessel Segmentation [58.618797429661754]
  本稿では,網膜血管分割に特化して,回転・スケール同値なフーリエパラメータ化畳み込み(RSF-Conv)を提案する。 一般的なモジュールとして、RCF-Convはプラグイン・アンド・プレイ方式で既存のネットワークに統合できる。 RSF-Convの有効性を示すため,RSF-Conv+U-NetとRCF-Conv+Iter-Netを網膜動脈・静脈の分類に適用した。
  論文  参考訳（メタデータ） (2023-09-27T13:14:57Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
  大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。 fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。 本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T08:38:00Z)
• ACDC: Online Unsupervised Cross-Domain Adaptation [15.72925931271688]
  本稿では,非教師付きドメイン適応フレームワークであるACDCを提案する。 ACDCは3つのモジュールを単一のモデルにカプセル化している。特徴を抽出する自動エンコーダ、ドメイン変換を実行する対向モジュール、ソースストリームを学習してターゲットストリームを予測する推定器である。 実験の結果, 基準法よりも目標精度が向上し, 場合によっては10%以上の増加が見られた。
  論文  参考訳（メタデータ） (2021-10-04T11:08:32Z)
• Learning to Learn Kernels with Variational Random Features [118.09565227041844]
  メタラーニングフレームワークにランダムなフーリエ機能を持つカーネルを導入し、その強力な数ショット学習能力を活用する。 変分推論問題としてメタVRFの最適化を定式化する。 MetaVRFは、既存のメタ学習方法に比べて、はるかに優れた、少なくとも競争力のあるパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2020-06-11T18:05:29Z)

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。