論文の概要: GateFuseNet: An Adaptive 3D Multimodal Neuroimaging Fusion Network for Parkinson's Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2510.22507v1
• Date: Sun, 26 Oct 2025 03:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 17:41:21.970291
• Title: GateFuseNet: An Adaptive 3D Multimodal Neuroimaging Fusion Network for Parkinson's Disease Diagnosis
• Title（参考訳）: GateFuseNet:パーキンソン病診断のための適応型3次元マルチモーダル核融合ネットワーク
• Authors: Rui Jin, Chen Chen, Yin Liu, Hongfu Sun, Min Zeng, Min Li, Yang Gao,
• Abstract要約: GateFuseNetは、パーキンソン病の診断のためにQSMとT1wの画像を統合した適応型3Dマルチモーダル核融合ネットワークである。 実験の結果,本手法は既存の3つの手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 21.968937137085504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate diagnosis of Parkinson's disease (PD) from MRI remains challenging due to symptom variability and pathological heterogeneity. Most existing methods rely on conventional magnitude-based MRI modalities, such as T1-weighted images (T1w), which are less sensitive to PD pathology than Quantitative Susceptibility Mapping (QSM), a phase-based MRI technique that quantifies iron deposition in deep gray matter nuclei. In this study, we propose GateFuseNet, an adaptive 3D multimodal fusion network that integrates QSM and T1w images for PD diagnosis. The core innovation lies in a gated fusion module that learns modality-specific attention weights and channel-wise gating vectors for selective feature modulation. This hierarchical gating mechanism enhances ROI-aware features while suppressing irrelevant signals. Experimental results show that our method outperforms three existing state-of-the-art approaches, achieving 85.00% accuracy and 92.06% AUC. Ablation studies further validate the contributions of ROI guidance, multimodal integration, and fusion positioning. Grad-CAM visualizations confirm the model's focus on clinically relevant pathological regions. The source codes and pretrained models can be found at https://github.com/YangGaoUQ/GateFuseNet
• Abstract（参考訳）: MRIによるパーキンソン病 (PD) の正確な診断は, 症状の多様性と病理異質性のため, 依然として困難である。 T1強調画像(T1w)は、深い灰白質原子核の鉄沈着を定量化する位相ベースのMRI技術であるQSM(Quantical Susceptibility Mapping)よりもPD病理に敏感ではない。 本研究では,適応型3次元マルチモーダル核融合ネットワークであるGateFuseNetを提案する。 中心となる革新は、選択的な特徴変調のためのモダリティ固有の注意重みとチャネルワイズゲーティングベクトルを学ぶゲート融合モジュールにある。 この階層的ゲーティング機構は、無関係な信号を抑制しながらROI認識機能を向上させる。 実験の結果,提案手法は3つの既存手法より優れ,85.00%の精度,92.06%のAUCを達成できた。 アブレーション研究は、ROIガイダンス、マルチモーダル統合、融合位置決めの貢献をさらに検証する。 Grad-CAMビジュアライゼーションは、臨床的に関連のある病理領域にモデルがフォーカスしていることを確認する。 ソースコードと事前訓練されたモデルはhttps://github.com/YangGaoUQ/GateFuseNetで見ることができる。

関連論文リスト

• 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
  M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。 提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。 提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
  論文  参考訳（メタデータ） (2025-04-23T15:18:55Z)
• Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
  部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。 PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
  論文  参考訳（メタデータ） (2024-07-19T12:58:18Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• Cross-Modal Domain Adaptation in Brain Disease Diagnosis: Maximum Mean Discrepancy-based Convolutional Neural Networks [0.0]
  脳障害は世界の健康にとって大きな課題であり、毎年何百万人もの死者を出している。 これらの疾患の正確な診断は、MRIやCTのような高度な医療画像技術に大きく依存している。 注釈付きデータの不足は、診断のための機械学習モデルをデプロイする上で大きな課題となる。
  論文  参考訳（メタデータ） (2024-05-06T07:44:46Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Three-Dimensional Medical Image Fusion with Deformable Cross-Attention [10.26573411162757]
  マルチモーダル医療画像融合は、医療画像処理のいくつかの領域において重要な役割を担っている。 従来の融合法は、特徴を組み合わせて融合像を再構成する前に、それぞれのモダリティを独立して処理する傾向にある。 本研究では,これらの制限を是正するために設計された,革新的な教師なしの相互学習融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-10T04:10:56Z)
• 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)

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。