論文の概要: Atlas-free Brain Network Transformer

• arxiv url: http://arxiv.org/abs/2510.03306v1
• Date: Tue, 30 Sep 2025 18:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:58.737684
• Title: Atlas-free Brain Network Transformer
• Title（参考訳）: アトラスフリー脳ネットワークトランス
• Authors: Shuai Huang, Xuan Kan, James J. Lah, Deqiang Qiu,
• Abstract要約: 我々は、新しいアトラスフリー脳ネットワークトランス(アトラスフリーBNT)を提案する。 提案手法は,標準化されたボクセルベースの機能空間におけるROI-to-voxel接続性を計算する。 本手法は脳ネットワーク解析の精度,堅牢性,一般化性を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 7.285780699359608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current atlas-based approaches to brain network analysis rely heavily on standardized anatomical or connectivity-driven brain atlases. However, these fixed atlases often introduce significant limitations, such as spatial misalignment across individuals, functional heterogeneity within predefined regions, and atlas-selection biases, collectively undermining the reliability and interpretability of the derived brain networks. To address these challenges, we propose a novel atlas-free brain network transformer (atlas-free BNT) that leverages individualized brain parcellations derived directly from subject-specific resting-state fMRI data. Our approach computes ROI-to-voxel connectivity features in a standardized voxel-based feature space, which are subsequently processed using the BNT architecture to produce comparable subject-level embeddings. Experimental evaluations on sex classification and brain-connectome age prediction tasks demonstrate that our atlas-free BNT consistently outperforms state-of-the-art atlas-based methods, including elastic net, BrainGNN, Graphormer and the original BNT. Our atlas-free approach significantly improves the precision, robustness, and generalizability of brain network analyses. This advancement holds great potential to enhance neuroimaging biomarkers and clinical diagnostic tools for personalized precision medicine.
• Abstract（参考訳）: 脳ネットワーク分析への現在のアトラスベースのアプローチは、標準化された解剖学または接続駆動脳アトラスに大きく依存している。 しかし、これらの固定されたアトラスは、個人間の空間的ミスアライメント、予め定義された領域内の機能的不均一性、アトラス選択バイアスなどの重大な制限をしばしば導入し、導出された脳ネットワークの信頼性と解釈性を損なう。 これらの課題に対処するために、被験者固有の静止状態fMRIデータから直接引き起こされる個別化された脳のパーセレーションを活用する、新しいアトラスフリー脳ネットワークトランスフォーマ(アトラスフリーBNT)を提案する。 提案手法は,標準ボクセルベースの特徴空間におけるROI-to-voxel接続特性を計算し,BNTアーキテクチャを用いて処理し,対応する対象レベルの埋め込みを生成する。 性別分類と脳-コネクトーム年齢予測タスクの実験的評価により、我々のアトラスフリーBNTは、弾性ネット、BrainGNN、Graphormer、およびオリジナルのBNTなど、最先端のアトラスベースの手法よりも一貫して優れていることが示された。 我々のアトラスフリーアプローチは脳ネットワーク解析の精度、堅牢性、一般化性を著しく改善する。 この進歩は、パーソナライズされた精密医療のための神経画像バイオマーカーと臨床診断ツールを強化する大きな可能性を秘めている。

関連論文リスト

• BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia [39.93169994373157]
  我々はBrainIB++というエンドツーエンドの革新的なグラフニューラルネットワークフレームワークを紹介した。 情報ボトルネック(IB)の原則を適用し、解釈のためのモデルトレーニング中に最も情報に富むデータ駆動脳領域をサブグラフとして識別する。 常に優れた診断精度を示し、目に見えないデータに対する一般化性を示す。
  論文  参考訳（メタデータ） (2025-10-03T13:48:15Z)
• DCA: Graph-Guided Deep Embedding Clustering for Brain Atlases [11.027192223822832]
  Deep Cluster Atlas(ディープクラスタアトラス、英: Deep Cluster Atlas、DCA)は、グラフ誘導のディープ埋め込みクラスタリングフレームワークである。 DCAは、事前訓練されたオートエンコーダと空間的に規則化されたディープクラスタリングを組み合わせることで、機能的に一貫性のある空間的に連続した領域を生成する。 複数のデータセットとスケールにわたって、DCAは最先端のアトラスを上回り、機能的均一性を98.8%改善し、シルエット係数を29%改善した。
  論文  参考訳（メタデータ） (2025-09-01T12:33:32Z)
• Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion [16.622075098468002]
  脳ネットワーク分類の標準アトラスは存在せず、障害の異常を検出するのに限界がある。 最近の手法では複数のアトラスを利用する方法が提案されているが、それらはアトラス間の一貫性を無視し、ROIレベルの情報交換を欠いている。 我々は,fMRIデータを用いた脳ネットワーク分類を改善するために,Atlas-Integrated Distillation and Fusion Network (AIDFusion)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T11:51:35Z)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• 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)
• Automated Natural Language Explanation of Deep Visual Neurons with Large Models [43.178568768100305]
  本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。 我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
  論文  参考訳（メタデータ） (2023-10-16T17:04:51Z)
• Supervised Feature Selection with Neuron Evolution in Sparse Neural Networks [17.12834153477201]
  スパースニューラルネットワークを用いた資源効率の高い新しい特徴選択法を提案する。 スクラッチからトレーニングされたスパースニューラルネットワークの入力層から、不定形的特徴を徐々に抜き取ることにより、NeuroFSは、機能の情報的サブセットを効率的に導き出す。 NeuroFSは、最先端の教師付き特徴選択モデルの中で最上位のスコアを達成している。
  論文  参考訳（メタデータ） (2023-03-10T17:09:55Z)
• 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)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Feature-selected Graph Spatial Attention Network for Addictive Brain-Networks Identification [4.224312918460521]
  fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。 本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:50:54Z)

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。