論文の概要: Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification
- arxiv url: http://arxiv.org/abs/2602.08262v1
- Date: Mon, 09 Feb 2026 04:42:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-10 20:26:25.065034
- Title: Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification
- Title（参考訳）: 機能的接続性を超えて動く:fMRIに基づく脳障害分類のための時系列モデリング
- Authors: Guoqi Yu, Xiaowei Hu, Angelica I. Aviles-Rivero, Anqi Qiu, Shujun Wang,
- Abstract要約: 機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
- 参考スコア（独自算出の注目度）: 8.837732238971187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional magnetic resonance imaging (fMRI) enables non-invasive brain disorder classification by capturing blood-oxygen-level-dependent (BOLD) signals. However, most existing methods rely on functional connectivity (FC) via Pearson correlation, which reduces 4D BOLD signals to static 2D matrices, discarding temporal dynamics and capturing only linear inter-regional relationships. In this work, we benchmark state-of-the-art temporal models (e.g., time-series models such as PatchTST, TimesNet, and TimeMixer) on raw BOLD signals across five public datasets. Results show these models consistently outperform traditional FC-based approaches, highlighting the value of directly modeling temporal information such as cycle-like oscillatory fluctuations and drift-like slow baseline trends. Building on this insight, we propose DeCI, a simple yet effective framework that integrates two key principles: (i) Cycle and Drift Decomposition to disentangle cycle and drift within each ROI (Region of Interest); and (ii) Channel-Independence to model each ROI separately, improving robustness and reducing overfitting. Extensive experiments demonstrate that DeCI achieves superior classification accuracy and generalization compared to both FC-based and temporal baselines. Our findings advocate for a shift toward end-to-end temporal modeling in fMRI analysis to better capture complex brain dynamics. The code is available at https://github.com/Levi-Ackman/DeCI.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
しかし、既存のほとんどの手法はピアソン相関による機能接続(FC)に依存しており、4次元BOLD信号を静的な2次元行列に還元し、時間的ダイナミクスを破棄し、線形な地域間関係のみをキャプチャする。
本研究では,PatchTST,TimeNet,TimeMixerなどの時系列モデルを,5つの公開データセットにわたるBOLD信号に基づいてベンチマークする。
その結果、これらのモデルは従来のFCベースのアプローチを一貫して上回り、サイクルのような振動変動やドリフトのような緩やかなベースライントレンドといった時間的情報を直接モデル化する価値を強調した。
この洞察に基づいて、我々は2つの重要な原則を統合するシンプルで効果的なフレームワークであるDeCIを提案する。
一 各ROI内における乱れ・漂流に対するサイクル及びドリフト分解(利害関係)及び
(ii)各ROIを個別にモデル化するためのチャネル独立性、堅牢性の向上、過剰適合の低減。
大規模な実験により、DeCIはFCベースと時間ベースラインの両方と比較して、分類精度と一般化が優れていることが示された。
以上の結果から,fMRI解析における終末時間モデルへのシフトが示唆された。
コードはhttps://github.com/Levi-Ackman/DeCIで公開されている。
関連論文リスト
- Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis [4.753690672619091]
本稿では,fMRI時系列における生BOLD信号のエンドツーエンド解析のための選択的状態空間アーキテクチャであるNeuroSSMを提案する。
NeuroSSMは2つの相補的な設計コンポーネントを通じて上記の制限に対処する。
臨床および非臨床データセットの実験は、NeuroSSMが最先端のfMRI分析法と競合する性能と効率を達成することを示した。
論文 参考訳（メタデータ） (2026-01-03T16:35:45Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。
ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
論文 参考訳（メタデータ） (2025-09-25T07:08:19Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - MHSA: A Multi-scale Hypergraph Network for Mild Cognitive Impairment Detection via Synchronous and Attentive Fusion [4.526574526136158]
同期核融合によるMCI検出のためのマルチスケールハイパーグラフネットワークを提案する。
本手法では、関心領域のスペクトル領域における位相同期関係を計算するために、位相同期値(PLV)を用いる。
PLV係数は動的に戦略を調整し,時間スペクトル融合行列に基づいて動的ハイパーグラフをモデル化する。
論文 参考訳（メタデータ） (2024-12-11T02:59:57Z) - Radio Frequency Signal based Human Silhouette Segmentation: A Sequential Diffusion Approach [26.987963024941635]
高品質セグメンテーションを共同で合成するための2段階連続拡散モデル(SDM)を提案する。
クロスビューブロックは、拡散モデルをマルチスケールで導くために考案された。
時間ブロックはフレームレベルのモデルを微調整して、周波数時間コンテキストとモーションダイナミクスを組み込むように設計されている。
論文 参考訳（メタデータ） (2024-07-27T12:44:21Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - 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) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z)
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。