論文の概要: Characterizing Continuous and Discrete Hybrid Latent Spaces for Structural Connectomes

• arxiv url: http://arxiv.org/abs/2512.02032v1
• Date: Thu, 20 Nov 2025 02:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.422754
• Title: Characterizing Continuous and Discrete Hybrid Latent Spaces for Structural Connectomes
• Title（参考訳）: 構造コネクトームのための連続・離散ハイブリッド潜時空間の特性評価
• Authors: Gaurav Rudravaram, Lianrui Zuo, Adam M. Saunders, Michael E. Kim, Praitayini Kanakaraj, Nancy R. Newlin, Aravind R. Krishnan, Elyssa M. McMaster, Chloe Cho, Susan M. Resnick, Lori L. Beason Held, Derek Archer, Timothy J. Hohman, Daniel C. Moyer, Bennett A. Landman,
• Abstract要約: 構造コネクトームは、異なる脳領域が物理的にどのように接続されているかを示す詳細なグラフである。 PCAやオートエンコーダのような低次元空間は、大きな変化源を捉えるためにしばしば用いられる。 離散成分と連続成分を連成モデル化するハイブリッド潜在空間を持つ変分オートエンコーダ(VAE)を提案する。
• 参考スコア（独自算出の注目度）: 1.7732287904031832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structural connectomes are detailed graphs that map how different brain regions are physically connected, offering critical insight into aging, cognition, and neurodegenerative diseases. However, these connectomes are high-dimensional and densely interconnected, which makes them difficult to interpret and analyze at scale. While low-dimensional spaces like PCA and autoencoders are often used to capture major sources of variation, their latent spaces are generally continuous and cannot fully reflect the mixed nature of variability in connectomes, which include both continuous (e.g., connectivity strength) and discrete factors (e.g., imaging site). Motivated by this, we propose a variational autoencoder (VAE) with a hybrid latent space that jointly models the discrete and continuous components. We analyze a large dataset of 5,761 connectomes from six Alzheimer's disease studies with ten acquisition protocols. Each connectome represents a single scan from a unique subject (3579 females, 2182 males), aged 22 to 102, with 4338 cognitively normal, 809 with mild cognitive impairment (MCI), and 614 with Alzheimer's disease (AD). Each connectome contains 121 brain regions defined by the BrainCOLOR atlas. We train our hybrid VAE in an unsupervised way and characterize what each latent component captures. We find that the discrete space is particularly effective at capturing subtle site-related differences, achieving an Adjusted Rand Index (ARI) of 0.65 with site labels, significantly outperforming PCA and a standard VAE followed by clustering (p < 0.05). These results demonstrate that the hybrid latent space can disentangle distinct sources of variability in connectomes in an unsupervised manner, offering potential for large-scale connectome analysis.
• Abstract（参考訳）: 構造コネクトーム(Structure Connectomes)は、異なる脳領域が物理的にどのように接続されているかを示す詳細なグラフであり、老化、認知、神経変性疾患に関する重要な洞察を提供する。 しかし、これらのコネクトームは高次元かつ密接な相互接続であり、大規模な解釈や解析は困難である。 PCAやオートエンコーダのような低次元空間は大きな変化源を捉えるためにしばしば用いられるが、その潜伏空間は一般に連続であり、連続性(例えば接続強度)と離散性(例えば撮像部位)の両方を含むコネクトームにおける変動性の混合の性質を完全に反映することができない。 そこで我々は, 離散成分と連続成分を連成モデル化したハイブリッド潜在空間を持つ変分オートエンコーダ (VAE) を提案する。 アルツハイマー病の6つの研究から得られた5,761個のコネクトームの大規模なデータセットを10個の取得プロトコルを用いて解析した。 それぞれのコネクトームは、22歳から102歳、認知正常4338名、軽度認知障害809名、アルツハイマー病614名(AD)の1つの被験者(3579名、男性2182名)のスキャンである。 それぞれのコネクトームは、BrainCOLOR atlasによって定義された121の脳領域を含む。 ハイブリッドなVAEを教師なしの方法でトレーニングし、各潜在コンポーネントがキャプチャしたものを特徴付けます。 離散空間は, サイトラベル付き適応ランダム指数(ARI)0.65を達成し, PCA, 標準VAEに次いでクラスタリング(p < 0.05)を達成し, 微妙なサイト関連差を捉えるのに特に有効であることがわかった。 これらの結果は、ハイブリッド潜伏空間がコネクトームの異なる変動源を教師なしの方法で切り離し、大規模なコネクトーム解析の可能性を示唆している。

関連論文リスト

• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• Cross-Attention Fusion of MRI and Jacobian Maps for Alzheimer's Disease Diagnosis [5.955559082904072]
  アルツハイマー病分類におけるsMRI強度とJSM由来の変形の関係をモデル化するクロスアテンション融合フレームワークを提案する。 ROC-AUCスコアはAD対認知正常(CN)、0.692は軽度認知障害(MCI)、CNは平均0.903である。 性能は高いが、我々のモデルは依然として非常に効率的であり、パラメータはわずか156万で、ResNet-34 (63M) と Swin UNETR (61.98M) の40倍以上である。
  論文  参考訳（メタデータ） (2025-03-01T18:50:46Z)
• Reflecting Topology Consistency and Abnormality via Learnable Attentions for Airway Labeling [19.269806092729468]
  気道解剖学的ラベリングは、気管支鏡で複雑な気管支構造を識別し、ナビゲートするために、臨床医にとって不可欠である。 従来の手法は一貫性のない予測を生成する傾向にある。 本稿では, トポロジカルな整合性を高め, 異常な気道分岐の検出を改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T12:04:30Z)
• ADformer: A Multi-Granularity Spatial-Temporal Transformer for EEG-Based Alzheimer Detection [42.72554952799386]
  脳波は、アルツハイマー病(AD)の検出において神経科医を支援する費用効率が高く効率的なツールとして登場した 生の脳波信号から時間的特徴と空間的特徴の両方を捉えるために設計された新しい多粒度時空間変換器であるADformerを提案する。 実験の結果、ADformerは既存の手法を一貫して上回り、被験者レベルのF1スコアは92.82%、89.83%、67.99%、83.98%となっている。
  論文  参考訳（メタデータ） (2024-08-17T14:10:41Z)
• Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
  総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。 我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。 本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
  論文  参考訳（メタデータ） (2023-12-16T04:31:51Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。