論文の概要: MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction

• arxiv url: http://arxiv.org/abs/2603.02434v1
• Date: Mon, 02 Mar 2026 22:17:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.562694
• Title: MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction
• Title（参考訳）: MIRAGE: アルツハイマー病予測のための知識グラフガイド型クロスコホートMRI合成
• Authors: Guanchen Wu, Zhe Huang, Yuzhang Xie, Runze Yan, Akul Chopra, Deqiang Qiu, Xiao Hu, Fei Wang, Carl Yang,
• Abstract要約: MIRAGEは、欠落したMRI問題を解剖誘導型クロスモーダルラテント蒸留タスクとして再構成する新しいフレームワークである。 凍結事前訓練された3次元U-Netデコーダを補助正規化エンジンとして厳密に採用する。 実験の結果、我々のフレームワークはモダリティのギャップを埋めることに成功し、AD分類率を13%改善した。
• 参考スコア（独自算出の注目度）: 15.543131466384658
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable Alzheimer's disease (AD) diagnosis increasingly relies on multimodal assessments combining structural Magnetic Resonance Imaging (MRI) and Electronic Health Records (EHR). However, deploying these models is bottlenecked by modality missingness, as MRI scans are expensive and frequently unavailable in many patient cohorts. Furthermore, synthesizing de novo 3D anatomical scans from sparse, high-dimensional tabular records is technically challenging and poses severe clinical risks. To address this, we introduce MIRAGE, a novel framework that reframes the missing-MRI problem as an anatomy-guided cross-modal latent distillation task. First, MIRAGE leverages a Biomedical Knowledge Graph (KG) and Graph Attention Networks to map heterogeneous EHR variables into a unified embedding space that can be propagated from cohorts with real MRIs to cohorts without them. To bridge the semantic gap and enforce physical spatial awareness, we employ a frozen pre-trained 3D U-Net decoder strictly as an auxiliary regularization engine. Supported by a novel cohort-aggregated skip feature compensation strategy, this decoder acts as a rigorous structural penalty, forcing 1D latent representations to encode biologically plausible, macro-level pathological semantics. By exclusively utilizing this distilled "diagnostic-surrogate" representation during inference, MIRAGE completely bypasses computationally expensive 3D voxel reconstruction. Experiments demonstrate that our framework successfully bridges the missing-modality gap, improving the AD classification rate by 13% compared to unimodal baselines in cohorts without real MRIs.
• Abstract（参考訳）: 信頼性アルツハイマー病(AD)の診断は、構造的磁気共鳴画像(MRI)と電子健康記録(EHR)を組み合わせたマルチモーダルな評価にますます依存している。 しかし、MRIスキャンは高価であり、多くの患者コホートでは利用できないため、これらのモデルのデプロイはモダリティの欠如によってボトルネックとなる。 さらに, 細い高次元表層記録からのnovo 3D解剖学的スキャンの合成は技術的に困難であり, 重篤な臨床リスクを生じさせる。 そこで我々は,MIRAGEを紹介した。MIRAGEは,欠落したMRI問題を解剖誘導型クロスモーダルラテント蒸留タスクとして再構成する新しいフレームワークである。 まず、MIRAGEはバイオメディカル・ナレッジ・グラフ(KG)とグラフ・アテンション・ネットワーク(Graph Attention Networks)を利用して、異種EHR変数を、実際のMRIとコホートからコホートなしで伝播可能な統合埋め込み空間にマッピングする。 セマンティックギャップを埋め、物理的な空間認識を強制するために、凍結した事前学習された3次元U-Netデコーダを補助正規化エンジンとして厳密に採用する。 新たなコホート集約型スキップ特徴補償戦略によって支持され、このデコーダは厳格な構造的ペナルティとして機能し、1D潜在表現を生物学的に妥当でマクロレベルの病的意味論をエンコードせざるを得ない。 MIRAGEは、この蒸留された「診断的サロゲート」表現を推論中に独占的に利用することにより、計算コストのかかる3Dボクセルの再構成を完全に回避する。 実MRIのないコホートにおける単調なベースラインと比較してAD分類率を13%向上させる実験により,本フレームワークはモダリティギャップを埋めることに成功した。

関連論文リスト

• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• Generative Latent Representations of 3D Brain MRI for Multi-Task Downstream Analysis in Down Syndrome [3.344873290507966]
  我々は3次元脳MRIスキャンをコンパクトな潜在空間表現に符号化し、生成的および予測的応用を実現する変分オートエンコーダを開発した。 以上の結果から,VAEは高い再建率を維持しつつ,重要な脳の特徴をとらえることができた。
  論文  参考訳（メタデータ） (2026-02-14T11:50:57Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• 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)
• 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
  M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。 提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。 提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
  論文  参考訳（メタデータ） (2025-04-23T15:18:55Z)
• ZECO: ZeroFusion Guided 3D MRI Conditional Generation [11.645873358288648]
  ZECOはZeroFusionでガイドされた3D MRI条件生成フレームワークである。 対応する3Dセグメンテーションマスクを備えた高忠実度MRI画像の抽出、圧縮、生成を行う。 ZECOは、脳MRIデータセットの定量的および質的な評価において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-03-24T00:04:52Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• CMRxRecon2024: A Multi-Modality, Multi-View K-Space Dataset Boosting Universal Machine Learning for Accelerated Cardiac MRI [40.11088079783521]
  CMRxRecon2024データセットは、最も大きく、最もプロトカルなディバースで公開されている心臓k空間データセットである。 健常者330名から取得され、一般的に使用されるモダリティ、解剖学的視点、臨床心臓MRIにおける獲得軌跡をカバーしている。
  論文  参考訳（メタデータ） (2024-06-27T09:50:20Z)
• Enhancing MRI-Based Classification of Alzheimer's Disease with Explainable 3D Hybrid Compact Convolutional Transformers [13.743241062824548]
  アルツハイマー病(AD: Alzheimer's disease)は、世界的な健康問題である。 従来の分析手法は、AD識別に不可欠な複雑な3Dパターンの識別に苦慮することが多い。 3D Hybrid Convolutional Transformer 3D (HCCT) について紹介する。
  論文  参考訳（メタデータ） (2024-03-24T14:35:06Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。