論文の概要: DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection

• arxiv url: http://arxiv.org/abs/2602.03881v1
• Date: Mon, 02 Feb 2026 21:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.193392
• Title: DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection
• Title（参考訳）: DiGAN:早期アルツハイマー病検出のための拡散誘導注意ネットワーク
• Authors: Maxx Richard Rahman, Mostafa Hammouda, Wolfgang Maass,
• Abstract要約: アルツハイマー病(AD)の早期診断は、構造的脳変化の微妙で時間的に不規則な進行のため、依然として大きな課題である。 既存のディープラーニングアプローチでは、大規模な時系列データセットが必要であり、実世界の臨床データに固有の時間的連続性とモダリティの不規則性をモデル化できないことが多い。 本稿では,遅延拡散モデルと注意誘導畳み込みネットワークを統合した拡散誘導注意ネットワーク(DiGAN)を提案する。
• 参考スコア（独自算出の注目度）: 1.6471330810152984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early diagnosis of Alzheimer's disease (AD) remains a major challenge due to the subtle and temporally irregular progression of structural brain changes in the prodromal stages. Existing deep learning approaches require large longitudinal datasets and often fail to model the temporal continuity and modality irregularities inherent in real-world clinical data. To address these limitations, we propose the Diffusion-Guided Attention Network (DiGAN), which integrates latent diffusion modelling with an attention-guided convolutional network. The diffusion model synthesizes realistic longitudinal neuroimaging trajectories from limited training data, enriching temporal context and improving robustness to unevenly spaced visits. The attention-convolutional layer then captures discriminative structural--temporal patterns that distinguish cognitively normal subjects from those with mild cognitive impairment and subjective cognitive decline. Experiments on synthetic and ADNI datasets demonstrate that DiGAN outperforms existing state-of-the-art baselines, showing its potential for early-stage AD detection.
• Abstract（参考訳）: アルツハイマー病(AD)の早期診断は、前ドロマ期における構造的脳変化の微妙で時間的に不規則な進行のため、依然として大きな課題である。 既存のディープラーニングアプローチでは、大規模な時系列データセットが必要であり、実世界の臨床データに固有の時間的連続性とモダリティの不規則性をモデル化できないことが多い。 これらの制約に対処するため,Diffusion-Guided Attention Network (DiGAN)を提案する。 拡散モデルは、限られた訓練データから現実的な経時的神経画像軌跡を合成し、時間的文脈を豊かにし、不均一な空間の訪問に対するロバスト性を改善する。 注意-進化層は、軽度認知障害と主観的認知低下とを区別する識別的構造-時間的パターンをキャプチャする。 合成およびADNIデータセットの実験では、DiGANは既存の最先端のベースラインよりも優れており、早期AD検出の可能性を示している。

関連論文リスト

• Detecting Autism Spectrum Disorder with Deep Eye Movement Features [9.225838905985958]
  自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、社会的コミュニケーションの障害と行動パターンを特徴とする神経発達障害である。 眼球運動データは、ASD検出のための非侵襲的診断ツールを提供する。 微妙で複雑な眼球運動パターンを効果的に捉えるために、離散的短期連続モデリングフレームワーク(DSTS)が設計されている。
  論文  参考訳（メタデータ） (2026-01-09T14:35:24Z)
• Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
  アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-25T10:28:37Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Uncovering Alzheimer's Disease Progression via SDE-based Spatio-Temporal Graph Deep Learning on Longitudinal Brain Networks [18.54013631358448]
  我々は、将来のアルツハイマー病(AD)の進行を予測するニューラルネットワークフレームワークを開発する。 筆者らの枠組みは, 地域的, 結合的重要性の低い確率を効果的に学習する。 以上の結果から,AD進行の早期・個別化予測における時間グラフ学習の可能性が示唆された。
  論文  参考訳（メタデータ） (2025-09-26T01:02:34Z)
• Self-Supervised Cross-Encoder for Neurodegenerative Disease Diagnosis [6.226851122403944]
  縦型MRIスキャンにおける時間的連続性を利用した自己監督型クロスエンコーダフレームワークを提案する。 このフレームワークは、学習した表現を2つのコンポーネントに分解する: 静的表現は、対照的な学習によって制約され、安定した解剖学的特徴を捉え、動的表現は、時間的変化を反映する入力漸進正規化によってガイドされる。 アルツハイマー病神経画像イニシアチブデータセットの実験結果から,本手法は分類精度が向上し,解釈性が向上することが示された。
  論文  参考訳（メタデータ） (2025-09-09T11:52:24Z)
• Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。 本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-29T08:26:00Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。