論文の概要: DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging

• arxiv url: http://arxiv.org/abs/2511.15151v1
• Date: Wed, 19 Nov 2025 06:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.655532
• Title: DCL-SE: Dynamic Curriculum Learning for Spatiotemporal Encoding of Brain Imaging
• Title（参考訳）: DCL-SE:脳画像の時空間符号化のための動的カリキュラム学習
• Authors: Meihua Zhou, Xinyu Tong, Jiarui Zhao, Min Cheng, Li Yang, Lei Tian, Nan Wan,
• Abstract要約: 時間近似(DaSE)のための動的カリキュラム学習を導入する ランクプール符号化を利用して、3次元の脳データを情報に富んだ2次元の動的表現に符号化する。 我々は、動的グループによって指導されたカリキュラム学習戦略を用いてデコーダを訓練する。 DaSEは、精度、予測、解釈可能性において既存の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.252889721110503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-dimensional neuroimaging analyses for clinical diagnosis are often constrained by compromises in spatiotemporal fidelity and by the limited adaptability of large-scale, general-purpose models. To address these challenges, we introduce Dynamic Curriculum Learning for Spatiotemporal Encoding (DCL-SE), an end-to-end framework centered on data-driven spatiotemporal encoding (DaSE). We leverage Approximate Rank Pooling (ARP) to efficiently encode three-dimensional volumetric brain data into information-rich, two-dimensional dynamic representations, and then employ a dynamic curriculum learning strategy, guided by a Dynamic Group Mechanism (DGM), to progressively train the decoder, refining feature extraction from global anatomical structures to fine pathological details. Evaluated across six publicly available datasets, including Alzheimer's disease and brain tumor classification, cerebral artery segmentation, and brain age prediction, DCL-SE consistently outperforms existing methods in accuracy, robustness, and interpretability. These findings underscore the critical importance of compact, task-specific architectures in the era of large-scale pretrained networks.
• Abstract（参考訳）: 臨床診断のための高次元神経画像解析は、時空間忠実度の妥協や大規模汎用モデルの適応性の制限によってしばしば制限される。 これらの課題に対処するために,データ駆動時空間符号化(DaSE)を中心としたエンドツーエンドフレームワークであるDCL-SE(Dynamic Curriculum Learning for Spatiotemporal Encoding)を導入する。 本研究では,3次元の脳データを情報豊かで2次元のダイナミックな表現に効率的にエンコードし,動的グループ機構(DGM)によって誘導される動的カリキュラム学習戦略を用いてデコーダを段階的に訓練し,グローバルな解剖学的構造から特徴抽出を微細な病理学的詳細まで精査する。 アルツハイマー病や脳腫瘍の分類、大脳動脈のセグメンテーション、脳年齢予測を含む6つの公開データセットで評価され、DCL-SEは精度、堅牢性、解釈可能性において既存の手法を一貫して上回っている。 これらの知見は、大規模事前訓練ネットワークの時代における、コンパクトでタスク固有のアーキテクチャの重要性を浮き彫りにしている。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• IRS: Incremental Relationship-guided Segmentation for Digital Pathology [13.534959964309895]
  時間的に取得された部分的注釈付きデータに対処するインクリメンタルリレーション誘導学習方式 IRSは、病理学的セグメンテーションのマルチスケールな性質を効果的に扱う。 IRSは、現実世界のデジタル病理アプリケーションにとって堅牢なアプローチである。
  論文  参考訳（メタデータ） (2025-05-28T20:41:56Z)
• Foundation Model for Whole-Heart Segmentation: Leveraging Student-Teacher Learning in Multi-Modal Medical Imaging [0.510750648708198]
  心血管疾患の診断にはCTとMRIによる全肝分画が不可欠である。 既存の方法は、モダリティ固有のバイアスと、広範なラベル付きデータセットの必要性に苦慮している。 学生-教師アーキテクチャに基づく自己指導型学習フレームワークを用いて,全音節セグメンテーションのための基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-24T14:47:54Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
  本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。 また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
  論文  参考訳（メタデータ） (2024-05-27T05:45:51Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• Deep Recurrent Encoder: A scalable end-to-end network to model brain signals [122.1055193683784]
  複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。 1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
  論文  参考訳（メタデータ） (2021-03-03T11:39:17Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)

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。