論文の概要: BrainCSD: A Hierarchical Consistency-Driven MoE Foundation Model for Unified Connectome Synthesis and Multitask Brain Trait Prediction
- arxiv url: http://arxiv.org/abs/2511.05630v1
- Date: Fri, 07 Nov 2025 04:40:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:44.513358
- Title: BrainCSD: A Hierarchical Consistency-Driven MoE Foundation Model for Unified Connectome Synthesis and Multitask Brain Trait Prediction
- Title（参考訳）: BrainCSD: 統一コネクトーム合成とマルチタスク脳経路予測のための階層的一貫性駆動型MoEファンデーションモデル
- Authors: Xiongri Shen, Jiaqi Wang, Yi Zhong, Zhenxi Song, Leilei Zhao, Liling Li, Yichen Wei, Lingyan Liang, Shuqiang Wang, Baiying Lei, Demao Deng, Zhiguo Zhang,
- Abstract要約: 機能的および構造的接続(FC/SC)は、脳分析の鍵となるバイオマーカーであるが、その臨床的有用性は、高価な取得、複雑な前処理、そして頻繁に欠落するモダリティによって妨げられている。
我々は、FC/SCバイオマーカーを共同で合成し、下流デコードタスク(診断と予測)をサポートする階層的混合専門家基盤モデルであるBrainCSDを提案する。
FC RMSE:0.038、SC RMSE:0.006、脳年齢予測(MAE:4.04年)、MMSEスコア(MAE:1.72点)
- 参考スコア（独自算出の注目度）: 33.650792366699385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Functional and structural connectivity (FC/SC) are key multimodal biomarkers for brain analysis, yet their clinical utility is hindered by costly acquisition, complex preprocessing, and frequent missing modalities. Existing foundation models either process single modalities or lack explicit mechanisms for cross-modal and cross-scale consistency. We propose BrainCSD, a hierarchical mixture-of-experts (MoE) foundation model that jointly synthesizes FC/SC biomarkers and supports downstream decoding tasks (diagnosis and prediction). BrainCSD features three neuroanatomically grounded components: (1) a ROI-specific MoE that aligns regional activations from canonical networks (e.g., DMN, FPN) with a global atlas via contrastive consistency; (2) a Encoding-Activation MOE that models dynamic cross-time/gradient dependencies in fMRI/dMRI; and (3) a network-aware refinement MoE that enforces structural priors and symmetry at individual and population levels. Evaluated on the datasets under complete and missing-modality settings, BrainCSD achieves SOTA results: 95.6\% accuracy for MCI vs. CN classification without FC, low synthesis error (FC RMSE: 0.038; SC RMSE: 0.006), brain age prediction (MAE: 4.04 years), and MMSE score estimation (MAE: 1.72 points). Code is available in \href{https://github.com/SXR3015/BrainCSD}{BrainCSD}
- Abstract（参考訳）: 機能的および構造的接続(FC/SC)は、脳分析の鍵となるマルチモーダルバイオマーカーであるが、その臨床的有用性は、高価な取得、複雑な前処理、そして頻繁に欠落するモダリティによって妨げられている。
既存の基礎モデルは単一のモダリティを処理するか、クロスモーダルとクロススケールの一貫性の明確なメカニズムを欠いている。
我々は、FC/SCバイオマーカーを共同で合成し、下流デコードタスク(診断と予測)をサポートする階層型混合専門家(MoE)基盤モデルであるBrainCSDを提案する。
BrainCSDは、(1)標準ネットワーク(例えば、DMN、FPN)からの局所的な活性化をコントラスト整合によってグローバルアトラスと整合させるROI特異的なMoE、(2)fMRI/dMRIにおける動的クロスタイム/勾配依存性をモデル化するEncoding-Activation MOE、(3)個人および集団レベルで構造的優先順位と対称性を強制するネットワーク認識改善MoEの3つの神経解剖学的基盤成分を特徴とする。
完全かつモダリティな設定で評価されたデータセットに基づいて、BrainCSDは、FCのないMCIとCNの分類における95.6\%の精度、低合成誤差(FC RMSE:0.038; SC RMSE:0.006)、脳年齢予測(MAE: 4.04年)、MMSEスコア推定(MAE: 1.72ポイント)というSOTA結果を達成する。
コードは \href{https://github.com/SXR3015/BrainCSD}{BrainCSD} で入手できる。
関連論文リスト
- Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。
HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。
このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
論文 参考訳（メタデータ） (2025-10-05T09:32:12Z) - MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。
事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。
最先端の微調整戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-07T15:22:53Z) - BRIEF: BRain-Inspired network connection search with Extensive temporal feature Fusion enhances disease classification [14.641800350582695]
BRain-Inspired機能Fusion(BRIEF)は自動的にネットワークアーキテクチャを最適化する。
BRIEFは21のアルゴリズムに比べて2.2%から12.1%の大幅な改善を示した。
これは、脳にインスパイアされた強化学習戦略を取り入れて、fMRIベースの精神障害分類を最適化する最初の試みである。
論文 参考訳（メタデータ） (2025-08-15T12:36:03Z) - Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。
平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。
この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
論文 参考訳（メタデータ） (2025-08-09T08:06:01Z) - Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。
その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
論文 参考訳（メタデータ） (2025-07-28T17:29:22Z) - CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。
CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。
これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
論文 参考訳（メタデータ） (2025-06-29T03:29:34Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。
既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。
EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
論文 参考訳（メタデータ） (2025-05-18T14:07:14Z) - Topological Symmetry Enhanced Graph Convolution for Skeleton-Based Action Recognition [11.05325139231301]
骨格に基づく行動認識は, グラフ畳み込みネットワーク(GCN)の開発により, 目覚ましい性能を達成した。
本稿では,TSE-GC(Topological Symmetry Enhanced Graph Convolution)を提案する。
また,骨格に基づく動作認識のためのMulti-Branch Deformable Temporal Convolution (MBDTC)を構築した。
論文 参考訳（メタデータ） (2024-11-19T15:23:59Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z)
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。