論文の概要: Probability-Invariant Random Walk Learning on Gyral Folding-Based Cortical Similarity Networks for Alzheimer's and Lewy Body Dementia Diagnosis

• arxiv url: http://arxiv.org/abs/2602.17557v1
• Date: Thu, 19 Feb 2026 17:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.231731
• Title: Probability-Invariant Random Walk Learning on Gyral Folding-Based Cortical Similarity Networks for Alzheimer's and Lewy Body Dementia Diagnosis
• Title（参考訳）: アルツハイマー型認知症およびルーイ型身体認知症診断のための体幹屈曲型皮質類似性ネットワークにおける確率不変ランダムウォーク学習
• Authors: Minheng Chen, Jing Zhang, Tong Chen, Chao Cao, Tianming Liu, Li Su, Dajiang Zhu,
• Abstract要約: アルツハイマー病 (AD) とLewy body dementia (LBD) は重複する臨床像を呈するが, 明確な診断戦略が必要である。 ノードアライメントを伴わない個別のジャラル折り畳みネットワークを分類する確率不変なランダムウォークに基づくフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 22.219305615941977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Alzheimer's disease (AD) and Lewy body dementia (LBD) present overlapping clinical features yet require distinct diagnostic strategies. While neuroimaging-based brain network analysis is promising, atlas-based representations may obscure individualized anatomy. Gyral folding-based networks using three-hinge gyri provide a biologically grounded alternative, but inter-individual variability in cortical folding results in inconsistent landmark correspondence and highly irregular network sizes, violating the fixed-topology and node-alignment assumptions of most existing graph learning methods, particularly in clinical datasets where pathological changes further amplify anatomical heterogeneity. We therefore propose a probability-invariant random-walk-based framework that classifies individualized gyral folding networks without explicit node alignment. Cortical similarity networks are built from local morphometric features and represented by distributions of anonymized random walks, with an anatomy-aware encoding that preserves permutation invariance. Experiments on a large clinical cohort of AD and LBD subjects show consistent improvements over existing gyral folding and atlas-based models, demonstrating robustness and potential for dementia diagnosis.
• Abstract（参考訳）: アルツハイマー病 (AD) とLewy body dementia (LBD) は重複する臨床像を呈するが, 明確な診断戦略が必要である。 神経画像に基づく脳ネットワーク解析は有望であるが、アトラスに基づく表現は個々の解剖を曖昧にしている可能性がある。 3-hinge gyri を用いたガイラルな折り畳み型ネットワークは生物学的に基礎的な代替手段を提供するが、皮質の折り畳みにおける個人間変動は、既存のグラフ学習法、特に病理学的変化が解剖学的不均一性をさらに増幅する臨床データセットにおいて、一貫性のないランドマーク対応と高度に不規則なネットワークサイズをもたらす。 そこで我々は,ノードアライメントを伴わない個別のジャラル折り畳みネットワークを分類する確率不変なランダムウォークベースフレームワークを提案する。 皮質類似性ネットワークは局所的な形態的特徴から構築され、匿名化されたランダムウォークの分布で表される。 ADとLBDの大きな臨床コホートに対する実験は、既存のジャラルフォールディングモデルやアトラスモデルよりも一貫した改善を示し、認知症診断の堅牢性と可能性を実証した。

関連論文リスト

• An explainable framework for the relationship between dementia and glucose metabolism patterns [0.0]
  可変オートエンコーダ(VAE)は、神経画像スキャンを病気に関連する特徴を捉えた低次元の潜伏空間にエンコードすることができる。 本稿では,選択された潜伏変数と認知症進行の指標とを整合させる,フレキシブルな類似性規則化項を有する半教師付きVAEフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-28T10:50:20Z)
• 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)
• Linearized Optimal Transport for Analysis of High-Dimensional Point-Cloud and Single-Cell Data [45.87606039212519]
  シングルセル技術は、細胞の高次元点雲を生成する。 各患者は単純なベクトルではなく不規則な点雲で表される。 線形最適輸送フレームワークを用いて不規則点雲を固定次元ユークリッド空間に埋め込む。
  論文  参考訳（メタデータ） (2025-10-24T21:33:12Z)
• Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
  我々は人工ニューラルネットワークを訓練し、シミュレーションと実際のジェノタイプフェノタイプデータセットの両方を用いて複雑な特徴を予測する。 統合失調症に合併した多発性座位を指摘された。
  論文  参考訳（メタデータ） (2024-07-26T15:20:42Z)
• A Learnable Counter-condition Analysis Framework for Functional Connectivity-based Neurological Disorder Diagnosis [8.1410193893176]
  本稿では,診断(特徴選択と特徴抽出)と説明を体系的に統合する新しい統合フレームワークを提案する。 最後に、我々のフレームワークは、神経科学的な解釈のための新しい説明力を提供し、反条件分析とも呼ばれる。
  論文  参考訳（メタデータ） (2023-10-06T01:33:47Z)
• Pathology Steered Stratification Network for Subtype Identification in Alzheimer's Disease [7.594681424335177]
  アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。 本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T02:52:00Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Differential Diagnosis of Frontotemporal Dementia and Alzheimer's Disease using Generative Adversarial Network [0.0]
  前頭側頭性認知症とアルツハイマー病は2種類の認知症であり、互いに誤診しやすい。 2種類の認知症を区別することは、疾患特異的な介入と治療を決定するのに不可欠である。 医用画像処理分野におけるディープラーニングベースのアプローチの最近の発展は、多くのバイナリ分類タスクにおいて、最高のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-12T22:40:50Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
  アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。 我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。 我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
  論文  参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。