論文の概要: Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification

• arxiv url: http://arxiv.org/abs/2602.00956v1
• Date: Sun, 01 Feb 2026 01:28:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.489831
• Title: Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification
• Title（参考訳）: MRIに基づくアルツハイマー病重症度分類のためのハイブリッドトポロジカル・ディープ・フュージョン
• Authors: Faisal Ahmed,
• Abstract要約: そこで本研究では,TDA(Topological Data Analysis)とDenseNet121のバックボーンを統合するハイブリッドディープラーニングフレームワークを提案する。 TDAは、従来のニューラルネットワークで見過ごされることが多い脳構造の相補的トポロジカルな特徴を捉えるために使用される。 フレームワークの精度は99.93%、AUCは100%で、最近発表されたCNNベース、トランスファーラーニング、アンサンブル、マルチスケールアーキテクチャを上回る。
• 参考スコア（独自算出の注目度）: 0.8374077003751697
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and accurate diagnosis of Alzheimer's disease (AD) remains a critical challenge in neuroimaging-based clinical decision support systems. In this work, we propose a novel hybrid deep learning framework that integrates Topological Data Analysis (TDA) with a DenseNet121 backbone for four-class Alzheimer's disease classification using structural MRI data from the OASIS dataset. TDA is employed to capture complementary topological characteristics of brain structures that are often overlooked by conventional neural networks, while DenseNet121 efficiently learns hierarchical spatial features from MRI slices. The extracted deep and topological features are fused to enhance class separability across the four AD stages. Extensive experiments conducted on the OASIS-1 Kaggle MRI dataset demonstrate that the proposed TDA+DenseNet121 model significantly outperforms existing state-of-the-art approaches. The model achieves an accuracy of 99.93% and an AUC of 100%, surpassing recently published CNN-based, transfer learning, ensemble, and multi-scale architectures. These results confirm the effectiveness of incorporating topological insights into deep learning pipelines and highlight the potential of the proposed framework as a robust and highly accurate tool for automated Alzheimer's disease diagnosis.
• Abstract（参考訳）: アルツハイマー病(AD)の早期かつ正確な診断は、神経画像に基づく臨床診断支援システムにおいて重要な課題である。 本研究では、OASISデータセットの構造的MRIデータを用いた4クラスアルツハイマー病分類のための、トポロジカルデータ解析(TDA)とDenseNet121バックボーンを統合した新しいハイブリッドディープラーニングフレームワークを提案する。 DenseNet121はMRIスライスから階層的な空間的特徴を効率的に学習するのに対し、TDAは従来のニューラルネットワークで見落とされがちな脳構造の相補的トポロジ的特徴を捉えるために使用される。 抽出した深部およびトポロジカルな特徴を融合させて,4段階にわたるクラス分離性を高める。 OASIS-1 Kaggle MRIデータセットで実施された大規模な実験は、提案されたTDA+DenseNet121モデルが既存の最先端アプローチを大幅に上回っていることを示している。 このモデルは99.93%の精度と100%のAUCを達成し、最近発表されたCNNベース、トランスファーラーニング、アンサンブル、マルチスケールアーキテクチャを上回っている。 これらの結果は,深層学習パイプラインにトポロジカルインサイトを組み込むことの有効性を確認し,アルツハイマー病の診断を自動化するための堅牢で高精度なツールとして,提案フレームワークの可能性を強調した。

関連論文リスト

• Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning [0.8374077003751697]
  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。
  論文  参考訳（メタデータ） (2026-01-01T07:44:51Z)
• 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)
• 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)
• 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)
• A Federated Learning Framework for Handling Subtype Confounding and Heterogeneity in Large-Scale Neuroimaging Diagnosis [22.017120252054625]
  本稿では,ニューロイメージングCADシステムに適した新しいフェデレーション学習フレームワークを提案する。 私たちのアプローチには、最も適切なローカルモデルにサンプルをルーティングする動的ナビゲーションモジュールが含まれています。 1300名以上のMDD患者のfMRIデータと1100名の健常者を対象とした。
  論文  参考訳（メタデータ） (2025-08-08T07:19:49Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• Leveraging Bi-Focal Perspectives and Granular Feature Integration for Accurate Reliable Early Alzheimer's Detection [0.0]
  本稿では,異なるスケールでの情報抽出と効率的な情報フローを組み合わせた新しいグラニュラー特徴統合手法を提案する。 また,MRIにおける微妙な神経線維の絡み合いとアミロイドプラークの強調を目的としたバイフォーカスパースペクティブ機構を提案する。 我々のモデルはF1スコア99.31%、精度99.24%、リコール99.51%を達成した。
  論文  参考訳（メタデータ） (2024-07-15T17:22:16Z)
• 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)

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。