論文の概要: BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI

• arxiv url: http://arxiv.org/abs/2511.15188v1
• Date: Wed, 19 Nov 2025 07:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.678058
• Title: BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI
• Title（参考訳）: BrainRotViT:3D sMRIによる脳老化のモデル化のためのトランスフォーマー-ResNetハイブリッド
• Authors: Wasif Jalal, Md Nafiu Rahman, M. Sohel Rahman,
• Abstract要約: 本稿では、視覚変換器(ViT)のグローバルコンテキストモデリングと残留CNNの局所的洗練を組み合わせたハイブリッドアーキテクチャである、訓練された視覚変換器(BrainRotViT)のBrain ResNetを提案する。 提案手法は,130以上の取得サイトを含む11個のMRIデータセットに対する3.34年間の検証を達成している。 脳年齢差の分析によると、老化パターンはアルツハイマー病、認知障害、自閉症スペクトラム障害と関連している。
• 参考スコア（独自算出の注目度）: 0.431493144418712
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate brain age estimation from structural MRI is a valuable biomarker for studying aging and neurodegeneration. Traditional regression and CNN-based methods face limitations such as manual feature engineering, limited receptive fields, and overfitting on heterogeneous data. Pure transformer models, while effective, require large datasets and high computational cost. We propose Brain ResNet over trained Vision Transformer (BrainRotViT), a hybrid architecture that combines the global context modeling of vision transformers (ViT) with the local refinement of residual CNNs. A ViT encoder is first trained on an auxiliary age and sex classification task to learn slice-level features. The frozen encoder is then applied to all sagittal slices to generate a 2D matrix of embedding vectors, which is fed into a residual CNN regressor that incorporates subject sex at the final fully-connected layer to estimate continuous brain age. Our method achieves an MAE of 3.34 years (Pearson $r=0.98$, Spearman $ρ=0.97$, $R^2=0.95$) on validation across 11 MRI datasets encompassing more than 130 acquisition sites, outperforming baseline and state-of-the-art models. It also generalizes well across 4 independent cohorts with MAEs between 3.77 and 5.04 years. Analyses on the brain age gap (the difference between the predicted age and actual age) show that aging patterns are associated with Alzheimer's disease, cognitive impairment, and autism spectrum disorder. Model attention maps highlight aging-associated regions of the brain, notably the cerebellar vermis, precentral and postcentral gyri, temporal lobes, and medial superior frontal gyrus. Our results demonstrate that this method provides an efficient, interpretable, and generalizable framework for brain-age prediction, bridging the gap between CNN- and transformer-based approaches while opening new avenues for aging and neurodegeneration research.
• Abstract（参考訳）: 構造MRIによる正確な脳年齢推定は、加齢や神経変性の研究に有用なバイオマーカーである。 従来の回帰法とCNNベースの手法は、手動の特徴工学、限定的な受容場、不均一なデータへの過度な適合といった制限に直面している。 純粋なトランスモデルは有効であるが、大きなデータセットと高い計算コストを必要とする。 本稿では、視覚変換器(ViT)のグローバルコンテキストモデリングと残留CNNの局所的洗練を組み合わせたハイブリッドアーキテクチャである、訓練された視覚変換器(BrainRotViT)のBrain ResNetを提案する。 ViTエンコーダは、スライスレベルの特徴を学習するために、まず補助年齢と性別分類タスクで訓練される。 凍結エンコーダは、すべての矢状スライスに印加され、埋め込みベクターの2Dマトリックスを生成し、残りのCNNレグレクターに供給され、最後の完全連結層に被検体セックスを組み込んで連続的な脳年齢を推定する。 Pearson $r=0.98$, Spearman $ρ=0.97$, $R^2=0.95$) は、130以上の取得サイトを含む11個のMRIデータセットの検証において、ベースラインや最先端モデルよりも優れている。 また、3.77年から5.04年の間、MAEを持つ4つの独立したコホートをよく一般化する。 脳年齢差(予測年齢と実際の年齢の違い)の分析は、老化パターンがアルツハイマー病、認知障害、自閉症スペクトラム障害と関連していることを示している。 モデル・アテンション・マップは脳の老化に関連する領域、特に小脳小脳、中央および後中部回、側頭葉、内側上前頭回を特徴としている。 本手法は,CNN-とトランスフォーマー-アプローチのギャップを埋めつつ,老化・神経変性研究の新たな道を開くとともに,脳年齢予測のための効率的,解釈可能,一般化可能なフレームワークを提供することを示す。

関連論文リスト

• Robust brain age estimation from structural MRI with contrastive learning [8.439245091011358]
  脳の年齢を構造MRIから推定することは、規範的および病理的老化を特徴づける強力なツールとして現れている。 我々は、新しい対照的な損失関数である$mathcalLexp$を導入し、それを複数の公開ニューロイメージングデータセットで評価する。
  論文  参考訳（メタデータ） (2025-07-02T15:18:03Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
  T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。 686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
  論文  参考訳（メタデータ） (2021-06-06T07:11:25Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)

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。