論文の概要: Extracting Root-Causal Brain Activity Driving Psychopathology from Resting State fMRI

• arxiv url: http://arxiv.org/abs/2602.07233v1
• Date: Fri, 06 Feb 2026 22:24:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.520367
• Title: Extracting Root-Causal Brain Activity Driving Psychopathology from Resting State fMRI
• Title（参考訳）: 安静時fMRIによるルートカジュアル脳活動の抽出
• Authors: Eric V. Strobl,
• Abstract要約: 我々は,病的カスケードを起因とするルート因果地図-局所的なBOLD障害の同定を目指す。 本稿では,2段階構造因果モデルを提案する。 我々は,解釈可能な症状軸を局所化ドライバの擬似集合にリンクする手順であるSOURCEを開発する。
• 参考スコア（独自算出の注目度）: 1.8275108630751837
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neuroimaging studies of psychiatric disorders often correlate imaging patterns with diagnostic labels or composite symptom scores, yielding diffuse associations that obscure underlying mechanisms. We instead seek to identify root-causal maps -- localized BOLD disturbances that initiate pathological cascades -- and to link them selectively to symptom dimensions. We introduce a bilevel structural causal model that connects between-subject symptom structure to within-subject resting-state fMRI via independent latent sources with localized direct effects. Based on this model, we develop SOURCE (Symptom-Oriented Uncovering of Root-Causal Elements), a procedure that links interpretable symptom axes to a parsimonious set of localized drivers. Experiments show that SOURCE recovers localized maps consistent with root-causal BOLD drivers and increases interpretability and anatomical specificity relative to existing comparators.
• Abstract（参考訳）: 精神疾患の神経画像研究は、しばしば画像パターンを診断ラベルや複合症状スコアと相関させ、基礎となるメカニズムを曖昧にしている拡散関連をもたらす。 代わりに、病的カスケードを発生させる局所的なBOLD障害であるルートカウサルマップを特定し、それらを症状の次元に選択的にリンクする。 そこで本研究では,2段階構造因果モデルを導入し,局所的な直接効果を持つ独立潜伏源を用いた静止状態fMRIを対象内fMRIに接続する。 本モデルに基づくSOURCE(Symptom-Oriented Uncovering of Root-Causal Elements)は,解釈可能な症状軸を局所化ドライバ群に結合する手法である。 実験の結果,SOURCEはルートカソーサルBOLDドライバと整合した局所マップを復元し,既存のコンパレータと比較して解釈可能性や解剖学的特異性を高めることがわかった。

関連論文リスト

• Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images [1.7199363076349776]
  本研究は、統合失調症患者の分類のための深層学習手法を紹介する。 我々はSSA(Spatial Sequence Attention)と呼ばれる多様な注意機構を実装することでこれを実現している。 本研究は, 統合失調症分類のための既存のSqueeze & Excitation Networkよりも注意機構が優れていることを示すものである。
  論文  参考訳（メタデータ） (2024-06-18T14:55:41Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Learning Cortical Anomaly through Masked Encoding for Unsupervised Heterogeneity Mapping [3.8351698710777797]
  本稿では、複雑な脳疾患の教師なし検出のための新しいフレームワークであるCAM(Cortical Anomaly Detection through Masked Image Modeling)を紹介する。 我々は、この枠組みを精神スペクトル上の個人の検出に利用し、その能力を実証する。 Pars Triangularisを含む非典型的皮質領域と、統合失調症に関連するいくつかの前頭葉領域の分析は、我々のアプローチにさらなる信頼をもたらす。
  論文  参考訳（メタデータ） (2023-12-05T13:44:25Z)
• Clinically Plausible Pathology-Anatomy Disentanglement in Patient Brain MRI with Structured Variational Priors [11.74918328561702]
  脳MRIにおける主観的解剖学から疾患の観測可能な証拠を正確に遠ざけるための階層的構造変化推論モデルを提案する。 フレキシブルで部分的に自己回帰的な先行モデルでは、MRIの解剖学的要因と病理学的要因の間に通常存在する微妙できめ細かな依存関係に対処する。
  論文  参考訳（メタデータ） (2022-11-15T00:53:00Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• Detecting Schizophrenia with 3D Structural Brain MRI Using Deep Learning [12.128463028063146]
  統合失調症(英語: Schizophrenia)は、脳内の構造変化を引き起こす慢性神経精神疾患である。 深層学習は、統合失調症の患者と、見えない構造的MRIスキャンの健康的なコントロールをほぼ完全に区別することができる。 皮質下領域と心室は最も予測可能な脳の領域である。
  論文  参考訳（メタデータ） (2022-06-26T21:44:33Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)

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。