論文の概要: MRI-Based Brain Age Estimation with Supervised Contrastive Learning of Continuous Representation

• arxiv url: http://arxiv.org/abs/2511.22102v1
• Date: Thu, 27 Nov 2025 04:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.394512
• Title: MRI-Based Brain Age Estimation with Supervised Contrastive Learning of Continuous Representation
• Title（参考訳）: 連続表現のコントラスト学習によるMRIによる脳年齢推定
• Authors: Simon Joseph Clément Crête, Marta Kersten-Oertel, Yiming Xiao,
• Abstract要約: 我々は,近年のRan-N-Contrast (RNC) の消失による教師付きコントラスト学習を用いて,広く使用されているT1w構造MRIに基づいて脳年齢を推定することを提案する。 提案手法は,平均絶対誤差(MAE)が4.27年,R2$0.93が訓練サンプルの限られたデータセットで達成される。 調査研究として,アルツハイマー病とパーキンソン病患者の脳年齢の差を推定するために,提案手法を用いた。
• 参考スコア（独自算出の注目度）: 4.845253846645897
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: MRI-based brain age estimation models aim to assess a subject's biological brain age based on information, such as neuroanatomical features. Various factors, including neurodegenerative diseases, can accelerate brain aging and measuring this phenomena could serve as a potential biomarker for clinical applications. While deep learning (DL)-based regression has recently attracted major attention, existing approaches often fail to capture the continuous nature of neuromorphological changes, potentially resulting in sub-optimal feature representation and results. To address this, we propose to use supervised contrastive learning with the recent Rank-N-Contrast (RNC) loss to estimate brain age based on widely used T1w structural MRI for the first time and leverage Grad-RAM to visually explain regression results. Experiments show that our proposed method achieves a mean absolute error (MAE) of 4.27 years and an $R^2$ of 0.93 with a limited dataset of training samples, significantly outperforming conventional deep regression with the same ResNet backbone while performing better or comparably with the state-of-the-art methods with significantly larger training data. Furthermore, Grad-RAM revealed more nuanced features related to age regression with the RNC loss than conventional deep regression. As an exploratory study, we employed the proposed method to estimate the gap between the biological and chronological brain ages in Alzheimer's Disease and Parkinson's disease patients, and revealed the correlation between the brain age gap and disease severity, demonstrating its potential as a biomarker in neurodegenerative disorders.
• Abstract（参考訳）: MRIに基づく脳年齢推定モデルは、神経解剖学的特徴などの情報に基づいて、被験者の生物学的脳年齢を評価することを目的としている。 神経変性疾患を含む様々な要因は、脳の老化を加速し、この現象を測定することは、臨床応用のための潜在的なバイオマーカーとなる可能性がある。 深層学習(DL)に基づく回帰は近年大きな注目を集めているが、既存のアプローチは神経形態学的変化の連続した性質を捉えず、潜在的に準最適特徴表現と結果をもたらす可能性がある。 そこで本研究では,近年のRan-N-Contrast (RNC) の消失による教師付きコントラスト学習を用いて,広範に使用されているT1w構造的MRIに基づいて脳年齢を推定し,Grad-RAMを用いて回帰結果を視覚的に説明することを提案する。 実験の結果,提案手法は平均絶対誤差(MAE)が4.27年,R^2$が0.93ドルであり,トレーニングサンプルのデータセットが限定されている。 さらに、Grad-RAMでは、従来の深部回帰よりも、RCC損失による年齢回帰に関連するニュアンスな特徴が明らかにされた。 探索研究として,アルツハイマー病とパーキンソン病患者における生物学的脳年齢と慢性脳年齢のギャップを推定し,脳年齢差と重症度との相関を明らかにし,神経変性疾患のバイオマーカーとしての可能性を示した。

関連論文リスト

• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• 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)
• Naturalistic Language-related Movie-Watching fMRI Task for Detecting Neurocognitive Decline and Disorder [60.84344168388442]
  言語関連機能的磁気共鳴画像(fMRI)は,認知機能低下と早期NCDの検出に有望なアプローチである。 香港在住の高齢者97名を対象に,この課題の有効性について検討した。 本研究は、加齢に伴う認知低下とNCDの早期発見のための自然言語関連fMRIタスクの可能性を示した。
  論文  参考訳（メタデータ） (2025-06-10T16:58:47Z)
• 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)
• 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)
• Ordinal Classification with Distance Regularization for Robust Brain Age Prediction [25.555190119033615]
  老化はアルツハイマー病(AD)の主要な危険因子の1つである 脳の年齢は、加齢による構造変化を反映した脳画像から導かれる指標であり、ADの発症を識別し、疾患リスクを評価し、標的とする介入を計画する可能性がある。 磁気共鳴画像(MRI)スキャンによる脳年齢予測のためのディープラーニングに基づく回帰手法は,近年,非常に精度が高い。 これらの手法は平均効果に固有の回帰傾向を受けており、体系的な偏りが生じ、若年者では脳年齢が過大評価され、老年者では過小評価される。
  論文  参考訳（メタデータ） (2023-10-25T20:39:07Z)
• Robust Brain Age Estimation via Regression Models and MRI-derived Features [2.028990630951476]
  本稿では,Open Big Healthy Brain (OpenBHB)データセットを用いた新しい脳年齢推定フレームワークを提案する。 提案手法は,MRIから得られた3つの領域的特徴と回帰モデルを統合し,脳年齢を高精度に推定する。
  論文  参考訳（メタデータ） (2023-06-08T19:07:22Z)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• 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。