論文の概要: Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2603.02518v1
• Date: Tue, 03 Mar 2026 02:05:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.59881
• Title: Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks
• Title（参考訳）: Beyond Anatomy: 機能的パーセレーションとグラフ注意ネットワークによるrs-fMRIからの説明可能なASD分類
• Authors: Syeda Hareem Madani, Noureen Bibi, Adam Rafiq Jeraj, Sumra Khan, Anas Zafar, Rizwan Qureshi,
• Abstract要約: 解剖学的脳解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類を支配している。 ABIDE Iデータセット上の解剖学的(AAL)と機能的(MSDL)パーセレーション戦略を比較したグラフベースのディープラーニング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）: 6.923757075165361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anatomical brain parcellations dominate rs-fMRI-based Autism Spectrum Disorder (ASD) classification, yet their rigid boundaries may fail to capture the idiosyncratic connectivity patterns that characterise ASD. We present a graph-based deep learning framework comparing anatomical (AAL, 116 ROIs) and functionally-derived (MSDL, 39 ROIs) parcellation strategies on the ABIDE I dataset. Our FSL preprocessing pipeline handles multi-site heterogeneity across 400 balanced subjects, with site-stratified 70/15/15 splits to prevent data leakage. Gaussian noise augmentation within training folds expands samples from 280 to 1,680. A three phase pipeline progresses from a baseline GCN with AAL (73.3% accuracy, AUC=0.74), to an optimised GCN with MSDL (84.0%, AUC=0.84), to a Graph Attention Network ensemble achieving 95.0% accuracy (AUC=0.98), outperforming all recent GNN-based benchmarks on ABIDE I. The 10.7-point gain from atlas substitution alone demonstrates that functional parcellation is the most impactful modelling decision. Gradient-based saliency and GNNExplainer analyses converge on the Posterior Cingulate Cortex and Precuneus as core Default Mode Network hubs, validating that model decisions reflect ASD neuropathology rather than acquisition artefacts. All code and datasets will be publicly released upon acceptance.
• Abstract（参考訳）: 脳の解剖学的解析は rs-fMRI に基づく自閉症スペクトラム障害 (ASD) の分類に支配的であるが、その境界線は ASD を特徴付ける慣用的接続パターンを捉えることに失敗する可能性がある。 ABIDE Iデータセット上で,解剖学的(AAL,116ROIs)と機能的(MSDL,39ROIs)のパーセレーション戦略を比較したグラフベースのディープラーニングフレームワークを提案する。 我々のFSL前処理パイプラインは、400のバランスのとれた被験者の多地点不均一性を処理し、データ漏洩を防止するために、サイト階層化された70/15/15分割を行う。 トレーニングフォルダ内のガウスノイズの増大は、サンプルを280から1,680に拡大する。 AALによるベースラインGCN(73.3%精度、AUC=0.74)からMSDLによる最適化GCN(84.0%、AUC=0.84)、グラフアテンションネットワークアンサンブル(AUC=0.98)まで、3段階のパイプラインが進行し、最近のGNNベースのベンチマークをABIDE Iで上回った。 アトラス置換だけで得られる10.7ポイントの利得は、機能的パーセレーションが最も影響のあるモデリング決定であることを示している。 Gradient-based saliencyとGNNExplainer分析は、Posterior Cingulate CortexとPrecuneusをコアのデフォルトモードネットワークハブとして集約し、モデル決定がアーチファクトの獲得よりもASD神経病理を反映していることを検証する。 すべてのコードとデータセットは、受理時に公開される。

関連論文リスト

• Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning [30.979270201588236]
  PDACの基底型および古典型TCGへの分子置換は予後および予測値を確立している。 本稿では,標準的なH&E染色WSIから直接治療関連分子サブタイプを予測する,解釈可能なディープラーニングフレームワークであるPanSubNetを紹介する。 PanSubNetは2つの多施設コホートにまたがる1,055人のデータを用いて開発された。
  論文  参考訳（メタデータ） (2026-01-06T20:52:12Z)
• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• Colorectal Cancer Histopathological Grading using Multi-Scale Federated Learning [0.0]
  本稿では,大腸癌診断のための拡張性,プライバシ保護型フェデレーション学習フレームワークを提案する。 我々のフレームワークは全体の83.5%の精度を達成し、同等の集中型モデルよりも優れています。 提案されたモジュールパイプラインは、デジタル病理のためのデプロイ可能でプライバシに配慮した臨床AIに向けた基礎的なステップを確立する。
  論文  参考訳（メタデータ） (2025-11-05T18:18:09Z)
• 3DViT-GAT: A Unified Atlas-Based 3D Vision Transformer and Graph Learning Framework for Major Depressive Disorder Detection Using Structural MRI Data [0.0]
  大うつ病 (Major depressive disorder, MDD) は、個人の健康と世界的な公衆衛生の両方に悪影響を及ぼす精神疾患である。 本稿では、視覚変換器(ViT)を用いて、sMRIデータから3次元領域埋め込みを抽出し、グラフニューラルネットワーク(GNN)を分類する統合パイプラインを開発する。
  論文  参考訳（メタデータ） (2025-09-15T17:10:39Z)
• HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
  本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。 私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。 本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
  論文  参考訳（メタデータ） (2025-07-29T22:54:28Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
  本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。 まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。 そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:17:57Z)
• Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
  気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
  論文  参考訳（メタデータ） (2022-09-17T15:47:01Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。