論文の概要: Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning

• arxiv url: http://arxiv.org/abs/2601.00918v1
• Date: Thu, 01 Jan 2026 07:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.851132
• Title: Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning
• Title（参考訳）: トポロジカル特徴抽出,特徴選択,およびアンサンブル学習を用いたMRIからの4段階アルツハイマー病分類
• Authors: Faisal Ahmed,
• Abstract要約: TDA-Alzは、トポロジカルデータ分析とアンサンブル学習を用いた4段階アルツハイマー病重症度分類のための新しいフレームワークである。 精度は98.19%、AUCは99.75%で、データセットで報告された最先端のディープラーニングベースの手法よりも優れているか、あるいは適合している。
• 参考スコア（独自算出の注目度）: 0.8374077003751697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient classification of Alzheimer's disease (AD) severity from brain magnetic resonance imaging (MRI) remains a critical challenge, particularly when limited data and model interpretability are of concern. In this work, we propose TDA-Alz, a novel framework for four-stage Alzheimer's disease severity classification (non-demented, moderate dementia, mild, and very mild) using topological data analysis (TDA) and ensemble learning. Instead of relying on deep convolutional architectures or extensive data augmentation, our approach extracts topological descriptors that capture intrinsic structural patterns of brain MRI, followed by feature selection to retain the most discriminative topological features. These features are then classified using an ensemble learning strategy to achieve robust multiclass discrimination. Experiments conducted on the OASIS-1 MRI dataset demonstrate that the proposed method achieves an accuracy of 98.19% and an AUC of 99.75%, outperforming or matching state-of-the-art deep learning--based methods reported on OASIS and OASIS-derived datasets. Notably, the proposed framework does not require data augmentation, pretrained networks, or large-scale computational resources, making it computationally efficient and fast compared to deep neural network approaches. Furthermore, the use of topological descriptors provides greater interpretability, as the extracted features are directly linked to the underlying structural characteristics of brain MRI rather than opaque latent representations. These results indicate that TDA-Alz offers a powerful, lightweight, and interpretable alternative to deep learning models for MRI-based Alzheimer's disease severity classification, with strong potential for real-world clinical decision-support systems.
• Abstract（参考訳）: 脳磁気共鳴画像(MRI)によるアルツハイマー病の重症度(AD)の正確な分類は、特に限られたデータとモデル解釈可能性に懸念がある場合、依然として重要な課題である。 本研究では, トポロジカルデータ分析(TDA)とアンサンブル学習を用いて, 4段階のアルツハイマー病重症度分類のための新しいフレームワークであるTDA-Alzを提案する。 より深い畳み込みアーキテクチャや広範なデータ拡張に頼る代わりに,脳MRIの内在的構造パターンを捉えるトポロジカル記述子を抽出し,続いて特徴選択を行い,最も識別性の高いトポロジカル特徴を保持する。 これらの特徴は、堅牢なマルチクラス識別を実現するために、アンサンブル学習戦略を用いて分類される。 OASIS-1 MRIデータセットで行った実験では、提案手法は98.19%の精度で、AUCは99.75%の精度で、OASISおよびOASIS由来のデータセットで報告された最先端のディープラーニングベースの手法よりも優れているか、適合している。 特に、提案するフレームワークは、データ拡張、事前訓練されたネットワーク、大規模計算資源を必要としないため、ディープニューラルネットワークアプローチと比較して計算効率が良く、高速である。 さらに、トポロジカルな記述子の使用は、抽出された特徴が不透明な潜在表現ではなく、脳MRIの構造的特徴に直接関連しているため、より深い解釈可能性をもたらす。 これらの結果は、TDA-Alzが、MRIに基づくアルツハイマー病重症度分類のためのディープラーニングモデルに、強力で軽量で解釈可能な代替手段を提供することを示している。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• MRI Patterns of the Hippocampus and Amygdala for Predicting Stages of Alzheimer's Progression: A Minimal Feature Machine Learning Framework [0.0]
  本研究では、構造的MRIデータを活用する最小機能機械学習フレームワークを提案し、興味のある領域として海馬と扁桃体に焦点を当てた。 このフレームワークは、特徴選択による次元の呪いに対処し、地域固有のボクセル情報を利用し、ノイズを低減して分類性能を向上させる革新的なデータ組織を実装している。
  論文  参考訳（メタデータ） (2025-01-10T10:47:00Z)
• Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
  静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。 深層学習はこれらの表現を捉えることを約束している。 本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
  論文  参考訳（メタデータ） (2024-10-30T23:51:31Z)
• EAG-RS: A Novel Explainability-guided ROI-Selection Framework for ASD Diagnosis via Inter-regional Relation Learning [11.344446341236267]
  本稿では,脳領域間の非線形高次機能的関連を識別する新しい利害選択領域(EAG-RS)を提案する。 このフレームワークは, (i) ランダムなシードベースネットワークマスキングによる非線形関係を推定するための地域間関係学習, (ii) 機能的接続間の高次関係を探索するための接続関連度スコア推定, (iii) 非線形高次FCベースの診断非形式ROI選択とASDの識別のための学習の3段階を含む。
  論文  参考訳（メタデータ） (2023-10-05T09:14:54Z)
• 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)
• 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)
• Characterization Multimodal Connectivity of Brain Network by Hypergraph GAN for Alzheimer's Disease Analysis [30.99183477161096]
  脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。 DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
  論文  参考訳（メタデータ） (2021-07-21T09:02:29Z)
• Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
  脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。 次に,大規模構造スキャンから空間整合機能画像を合成する。 時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
  論文  参考訳（メタデータ） (2021-04-10T03:16:33Z)
• 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。