論文の概要: Multimodal Fusion of Regional Brain Experts for Interpretable Alzheimer's Disease Diagnosis
- arxiv url: http://arxiv.org/abs/2512.10966v1
- Date: Sun, 30 Nov 2025 02:12:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-21 14:22:08.665868
- Title: Multimodal Fusion of Regional Brain Experts for Interpretable Alzheimer's Disease Diagnosis
- Title（参考訳）: 解釈型アルツハイマー病診断における局所脳専門医のマルチモーダルフュージョン
- Authors: Farica Zhuang, Dinara Aliyeva, Shu Yang, Zixuan Wen, Duy Duong-Tran, Christos Davatzikos, Tianlong Chen, Song Wang, Li Shen,
- Abstract要約: アルツハイマー病診断のための多モード地域エキスパートフュージョンモデルMREF-ADを提案する。
これは、各モードにおけるメソスケール脳領域を独立した専門家としてモデル化し、2段階のゲーティングネットワークを用いて、主題固有の融合重み付けを学習するフレームワークである。
アルツハイマー病神経画像イニシアチブ(ADNI)のデータを用いて、MREF-ADはベースライン上で最先端のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 42.04444471115401
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and early diagnosis of Alzheimer's disease (AD) can benefit from integrating complementary information from multiple modalities, mirroring clinical practice. However, conventional fusion approaches often rely on simple concatenation of features, which cannot adaptively balance the contributions of biomarkers such as amyloid PET and MRI across brain regions. In this work, we propose MREF-AD, a Multimodal Regional Expert Fusion model for AD diagnosis. It is a Mixture-of-Experts (MoE) framework that models meso-scale brain regions in each modality as an independent expert and employs two-level gating networks to learn subject-specific fusion weights. Beyond improving diagnostic performance, MREF-AD provides modality- and region-level insight into how structural and molecular imaging jointly contribute to disease diagnosis. Using data from the Alzheimer's Disease Neuroimaging Initiative (ADNI), MREF-AD achieves state-of-the-art performance over baselines while providing enhanced interpretability of brain region-specific biomarker relevance, underscoring its utility as a general framework for adaptive and interpretable multimodal fusion in neuroimaging.
- Abstract（参考訳）: アルツハイマー病(AD)の正確な早期診断は、複数のモードから相補的な情報を統合し、臨床実践を反映することの恩恵を受ける。
しかし、従来の融合法は特徴の単純な結合に依存しており、アミロイドPETやMRIなどのバイオマーカーの脳領域での寄与を適応的にバランスさせることができない。
本稿では,AD診断のための多モード地域エキスパートフュージョンモデルMREF-ADを提案する。
これはMixture-of-Experts (MoE)フレームワークであり、各モードにおけるメソスケールの脳領域を独立した専門家としてモデル化し、2段階のゲーティングネットワークを使用して、主題固有の融合重み付けを学習する。
診断性能の改善に加えて、MREF-ADは、構造的および分子的イメージングが疾患の診断にどのように貢献するかについて、モダリティと地域レベルでの洞察を提供する。
Alzheimer's Disease Neuroimaging Initiative (ADNI)のデータを用いて、MREF-ADは、脳領域固有のバイオマーカー関連性の解釈可能性を高めつつ、ベースライン上での最先端のパフォーマンスを実現し、ニューロイメージングにおける適応的で解釈可能なマルチモーダル融合の一般的なフレームワークとしての有用性を強調する。
関連論文リスト
- Collaborative Attention and Consistent-Guided Fusion of MRI and PET for Alzheimer's Disease Diagnosis [12.33741976057116]
アルツハイマー病(AD)は認知症の最も一般的な形態であり、早期診断は疾患進行の遅滞に不可欠である。
MRIとPETを用いたマルチモーダル・ニューロイメージング・フュージョンの最近の研究は有望な成果を得た。
本稿では,MRIとPETを用いたAD診断のための協調注意・持続誘導核融合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-04T03:42:07Z) - BrainIB++: Leveraging Graph Neural Networks and Information Bottleneck for Functional Brain Biomarkers in Schizophrenia [39.93169994373157]
我々はBrainIB++というエンドツーエンドの革新的なグラフニューラルネットワークフレームワークを紹介した。
情報ボトルネック(IB)の原則を適用し、解釈のためのモデルトレーニング中に最も情報に富むデータ駆動脳領域をサブグラフとして識別する。
常に優れた診断精度を示し、目に見えないデータに対する一般化性を示す。
論文 参考訳（メタデータ） (2025-10-03T13:48:15Z) - An Interpretable Multi-Plane Fusion Framework With Kolmogorov-Arnold Network Guided Attention Enhancement for Alzheimer's Disease Diagnosis [1.3401966602181168]
アルツハイマー病(英語: Alzheimer's disease、AD)は、認知機能や生活の質を著しく損なう進行性神経変性疾患である。
これらの制限を克服するために,多面体融合(MPF)を統合したMPF-KANSCという革新的なフレームワークを提案する。
ADNIデータセットの実験により、提案したMPF-KANSCがAD診断において優れた性能を発揮することが確認された。
論文 参考訳（メタデータ） (2025-08-08T09:26:49Z) - Cross-modal Causal Intervention for Alzheimer's Disease Prediction [13.584994367762398]
アルツハイマー病診断のためのCross-modal Causal Intervention with Mediator (MediAD) という視覚言語因果性に着想を得たフレームワークを提案する。
我々の枠組みは、統一因果介入法により、観測可能・観測不可能な共同創設者の効果を暗黙的に緩和する。
論文 参考訳（メタデータ） (2025-07-18T14:21:24Z) - 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。
提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。
提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
論文 参考訳（メタデータ） (2025-04-23T15:18:55Z) - An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。
提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。
勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
論文 参考訳（メタデータ） (2024-03-29T20:32:30Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Tensor-Based Multi-Modality Feature Selection and Regression for
Alzheimer's Disease Diagnosis [25.958167380664083]
アルツハイマー病(AD)と軽度認知障害(MCI)の診断・バイオマーカー同定のための新しいテンソルベース多モード特徴選択と回帰法を提案する。
3つの画像モダリティを用いたADNIデータ解析における本手法の実用的利点について述べる。
論文 参考訳（メタデータ） (2022-09-23T02:17:27Z) - 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)
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。