論文の概要: SurfAge-Net: A Hierarchical Surface-Based Network for Interpretable Fine-Grained Brain Age Prediction

• arxiv url: http://arxiv.org/abs/2602.06994v1
• Date: Wed, 28 Jan 2026 07:01:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-15 14:54:53.687876
• Title: SurfAge-Net: A Hierarchical Surface-Based Network for Interpretable Fine-Grained Brain Age Prediction
• Title（参考訳）: SurfAge-Net:細粒度脳年齢予測のための階層型サーフェスベースネットワーク
• Authors: Rongzhao He, Dalin Zhu, Ying Wang, Songhong Yue, Leilei Zhao, Yu Fu, Dan Wu, Bin Hu, Weihao Zheng,
• Abstract要約: そこで本稿では,領域固有の発達パターンを抽出するサーフェスベースの新しい脳年齢予測ネットワーク(SurfAge-Net)を提案する。 SurfAge-Netは、皮質組織の結合原理を取り入れた新しいモデリングパラダイムを確立する。 空間的に正確で生物学的に解釈可能な皮質成熟地図を提供し、不均一な遅延と地域特有の異常を効果的に同定する。
• 参考スコア（独自算出の注目度）: 9.571325956619743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain age prediction serves as a powerful framework for assessing brain status and detecting deviations associated with neurodevelopmental and neurodegenerative disorders. However, most existing approaches emphasize whole-brain age prediction and therefore overlook the pronounced regional heterogeneity of brain maturation that is crucial for detecting localized atypical trajectories. To address this limitation, we propose a novel spherical surface-based brain age prediction network (SurfAge-Net) that leverages multiple morphological metrics to capture region-specific developmental patterns with enhanced robustness and clinical interpretability. SurfAge-Net establishes a new modeling paradigm by incorporating the connectomic principles of cortical organization: it explicitly models both intra- and inter-hemispheric dependencies through a spatial-channel mixing and a lateralization-aware attention mechanism, enabling the network to characterize the coordinate maturation pattern uniquely associated with each target region. Validated on three fetal and neonatal datasets, SurfAge-Net outperforms existing approaches (global MAE = 0.54, regional MAE = 0.45 in gestational/postmenstrual weeks) and demonstrates strong generalizability across external cohorts. Importantly, it provides spatially precise and biologically interpretable maps of cortical maturation, effectively identifying heterogeneous delays and regional-specific abnormalities in atypical developmental populations. These results established fine-grained brain age prediction as a promising paradigm for advancing neurodevelopmental research and supporting early clinical assessment.
• Abstract（参考訳）: 脳年齢予測は、脳の状態を評価し、神経発達障害や神経変性障害に関連する偏差を検出するための強力な枠組みとして機能する。 しかし、既存のほとんどのアプローチは全脳年齢予測を強調しており、局所的な非典型的軌跡を検出するのに不可欠である脳成熟の顕著な局所的不均一性を見落としている。 この制限に対処するために,複数の形態的指標を活かした球面型脳年齢予測ネットワーク(SurfAge-Net)を提案する。 SurfAge-Netは、空間チャネルミキシングと側方化対応アテンション機構を通じて、球面内および球面間の依存関係の両方を明示的にモデル化し、各ターゲット領域に固有の座標成熟パターンを特徴付けることによって、新しいモデリングパラダイムを確立している。 胎児と新生児の3つのデータセットで検証され、SurfAge-Netは既存のアプローチ(Global MAE = 0.54, Regional MAE = 0.45 in gestational/postmenstrual weeks)より優れ、外部のコホートに対して強い一般化性を示す。 重要なことに、それは空間的に正確で生物学的に解釈可能な皮質成熟の地図を提供し、非典型的発達集団における不均一な遅延と地域特有の異常を効果的に同定する。 これらの結果から, 神経発達研究の進展と早期臨床評価支援のパラダイムとして, きめ細かい脳年齢予測が確立された。

関連論文リスト

• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Controllable Surface Diffusion Generative Model for Neurodevelopmental Trajectories [1.3346172433663661]
  本稿では,皮質成熟の制御可能なシミュレーションを支援する新しいグラフ拡散ネットワークを提案する。 本研究では, 個別に訓練した年齢回帰ネットワークを騙すのに十分な精度で大脳皮質成熟度をモデル化しながら, 対象特異的な皮質形態を維持できることを実証する。
  論文  参考訳（メタデータ） (2025-07-21T09:16:24Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
  神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。 本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。 BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
  論文  参考訳（メタデータ） (2024-10-14T20:21:11Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)

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。