論文の概要: Higher-Order Domain Generalization in Magnetic Resonance-Based Assessment of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2601.01485v1
- Date: Sun, 04 Jan 2026 11:25:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-06 16:25:22.434142
- Title: Higher-Order Domain Generalization in Magnetic Resonance-Based Assessment of Alzheimer's Disease
- Title（参考訳）: 磁気共鳴法によるアルツハイマー病の高次領域一般化
- Authors: Zobia Batool, Diala Lteif, Vijaya B. Kolachalama, Huseyin Ozkan, Erchan Aptoula,
- Abstract要約: 多様な分布変化を模倣する高次特徴モーメント(歪と曲率)をブレンドするフレームワークであるExtended MixStyle(EM)を紹介する。
EMはクロスドメイン性能を向上し、最先端ベンチマークよりも平均2.4ポイントのマクロF1を改善した。
- 参考スコア（独自算出の注目度）: 5.186496221536076
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Despite progress in deep learning for Alzheimer's disease (AD) diagnostics, models trained on structural magnetic resonance imaging (sMRI) often do not perform well when applied to new cohorts due to domain shifts from varying scanners, protocols and patient demographics. AD, the primary driver of dementia, manifests through progressive cognitive and neuroanatomical changes like atrophy and ventricular expansion, making robust, generalizable classification essential for real-world use. While convolutional neural networks and transformers have advanced feature extraction via attention and fusion techniques, single-domain generalization (SDG) remains underexplored yet critical, given the fragmented nature of AD datasets. To bridge this gap, we introduce Extended MixStyle (EM), a framework for blending higher-order feature moments (skewness and kurtosis) to mimic diverse distributional variations. Trained on sMRI data from the National Alzheimer's Coordinating Center (NACC; n=4,647) to differentiate persons with normal cognition (NC) from those with mild cognitive impairment (MCI) or AD and tested on three unseen cohorts (total n=3,126), EM yields enhanced cross-domain performance, improving macro-F1 on average by 2.4 percentage points over state-of-the-art SDG benchmarks, underscoring its promise for invariant, reliable AD detection in heterogeneous real-world settings. The source code will be made available upon acceptance at https://github.com/zobia111/Extended-Mixstyle.
- Abstract（参考訳）: アルツハイマー病(AD)診断の深層学習の進展にもかかわらず、様々なスキャナー、プロトコル、患者人口統計学からのドメインシフトによって新しいコホートに適用された場合、構造的磁気共鳴画像(sMRI)で訓練されたモデルはよく機能しない。
認知症の主要な要因であるADは、萎縮や心室拡張などの進歩的な認知と神経解剖学的変化を通じて現れ、現実の用途に不可欠な堅牢で一般化可能な分類となっている。
畳み込みニューラルネットワークとトランスフォーマーは注意と融合技術によって高度な特徴抽出を行っているが、ADデータセットの断片化の性質を考えると、単一ドメイン一般化(SDG)はいまだに過小評価されていない。
このギャップを埋めるために,多種多様な分布変化を模倣する高次特徴モーメント(歪と曲率)をブレンドするフレームワークであるExtended MixStyle(EM)を導入する。
National Alzheimer's Coordinating Center (NACC; n=4,647)のsMRIデータに基づいて、通常の認知障害(NC)と軽度認知障害(MCI)またはADを区別し、3つの未確認コホート(total n=3,126)でテストし、EMはクロスドメインのパフォーマンスを向上し、最先端のSDGベンチマークに対して平均2.4ポイントのマクロF1を改善する。
ソースコードはhttps://github.com/zobia111/Extended-Mixstyleで利用可能になる。
関連論文リスト
- R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - Alzheimer's Disease Prediction Using EffNetViTLoRA and BiLSTM with Multimodal Longitudinal MRI Data [2.220152876549942]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害、意思決定障害、全体的な認知機能障害である。
本研究では、アルツハイマー病神経画像イニシアチブ(ADNI)のMCI症例を用いたAD予測のための一般化されたエンドツーエンドディープラーニングモデルを提案する。
我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーを統合し、MRIスキャンから局所的な空間的特徴とグローバルなコンテキスト依存の両方をキャプチャする。
我々のマルチモーダルモデルは、sMCIとpMCIの間の平均進行予測精度を95.05%達成し、AD予測における既存の研究を上回った。
論文 参考訳（メタデータ） (2025-11-27T21:53:23Z) - MRI Embeddings Complement Clinical Predictors for Cognitive Decline Modeling in Alzheimer's Disease Cohorts [0.7340017786387767]
アルツハイマー病の認知低下の正確なモデリングは、早期成層化とパーソナライズドマネジメントに不可欠である。
認知変化の異質なパターンを捉えるために,ダイナミック・タイム・ウォーピング・クラスタリングに基づくトラジェクトリ・アウェア・ラベリング・ストラテジーを導入する。
3次元視覚変換器 (ViT) を非教師的再構成により訓練し, 解剖学的に保存された埋め込みを得る。
論文 参考訳（メタデータ） (2025-11-18T15:45:01Z) - FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。
病的シグネチャの最初の系統的周波数領域解析を行う。
周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
論文 参考訳（メタデータ） (2025-11-17T02:40:14Z) - EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis [2.220152876549942]
アルツハイマー病(英語: Alzheimer's disease、AD)は、世界の神経変性疾患の一つ。
EffNetViTLoRA は Alzheimer's Disease Neuroimaging Initiative (ADNI) Magnetic Resonance Imaging (MRI) データセットを用いたAD診断のエンドツーエンドモデルである。
論文 参考訳（メタデータ） (2025-08-26T18:22:28Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。
この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
論文 参考訳（メタデータ） (2024-06-19T07:31:47Z) - Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
教師なし異常検出は、より広い範囲の異常を識別する可能性がある。
既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。
Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
論文 参考訳（メタデータ） (2023-12-04T14:02:56Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。