論文の概要: Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis

• arxiv url: http://arxiv.org/abs/2603.09606v1
• Date: Tue, 10 Mar 2026 12:49:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.315787
• Title: Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis
• Title（参考訳）: 脳障害診断のための脳ネットワークにおける階層的組織学習
• Authors: Jingfeng Tang, Peng Cao, Guangqi Wen, Jinzhu Yang, Xiaoli Liu, Osmar R. Zaiane,
• Abstract要約: 脳階層型組織学習(BrainHO)を提案する。 具体的には,ノードを階層構造に集約する階層的アテンション機構を設計する。 公開されているABIDEとREST-meta-MDDデータセットの実験では、BrainHOは最先端の分類性能を達成するだけでなく、解釈可能な、臨床的に重要なバイオマーカーも明らかにしている。
• 参考スコア（独自算出の注目度）: 10.444771588267436
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain network analysis based on functional Magnetic Resonance Imaging (fMRI) is pivotal for diagnosing brain disorders. Existing approaches typically rely on predefined functional sub-networks to construct sub-network associations. However, we identified many cross-network interaction patterns with high Pearson correlations that this strict, prior-based organization fails to capture. To overcome this limitation, we propose the Brain Hierarchical Organization Learning (BrainHO) to learn inherently hierarchical brain network dependencies based on their intrinsic features rather than predefined sub-network labels. Specifically, we design a hierarchical attention mechanism that allows the model to aggregate nodes into a hierarchical organization, effectively capturing intricate connectivity patterns at the subgraph level. To ensure diverse, complementary, and stable organizations, we incorporate an orthogonality constraint loss, alongside a hierarchical consistency constraint strategy, to refine node-level features using high-level graph semantics. Extensive experiments on the publicly available ABIDE and REST-meta-MDD datasets demonstrate that BrainHO not only achieves state-of-the-art classification performance but also uncovers interpretable, clinically significant biomarkers by precisely localizing disease-related sub-networks.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)に基づく脳ネットワーク解析は、脳疾患の診断に重要である。 既存のアプローチは通常、サブネットワークアソシエーションを構築するために事前に定義された機能サブネットワークに依存している。 しかし、Pearsonの相関性が高いネットワーク間相互作用パターンを多数同定し、この厳密で先進的な組織は捕捉できないことを示した。 この制限を克服するために,脳階層的組織学習(BrainHO)を提案する。 具体的には,ノードを階層構造に集約する階層的アテンション機構を設計し,サブグラフレベルでの複雑な接続パターンを効果的に取得する。 多様な,相補的,安定した組織を確保するため,階層的な一貫性制約戦略とともに直交制約損失を組み込んで,高レベルのグラフセマンティクスを用いてノードレベルの機能を洗練する。 公開されているABIDEおよびREST-meta-MDDデータセットに関する大規模な実験は、BrainHOが最先端の分類性能を達成するだけでなく、疾患関連サブネットワークを正確にローカライズすることによって、解釈可能な、臨床的に重要なバイオマーカーを明らかにすることを実証している。

関連論文リスト

• Interpretable Cross-Network Attention for Resting-State fMRI Representation Learning [5.79619045482301]
  BrainInterNetは、クロスアテンションによるマスク付き再構築に基づく、ネットワーク対応の自己管理フレームワークである。 我々は、マルチコアfMRIデータに基づいてBrainInterNetをトレーニングし、アルツハイマー病神経画像イニシアチブデータセットで評価する。 本手法はアルツハイマー病における脳のネットワーク相互作用の系統的変化を明らかにする。
  論文  参考訳（メタデータ） (2026-02-28T19:15:52Z)
• 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)
• Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
  双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。 精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。 この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
  論文  参考訳（メタデータ） (2025-09-18T13:55:02Z)
• 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)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Emergent Language Symbolic Autoencoder (ELSA) with Weak Supervision to Model Hierarchical Brain Networks [0.12075823996747355]
  脳ネットワークには階層的な組織があり、既存のディープラーニングモデルに課題をもたらす複雑性がある。 本稿では,弱い監督と創発的言語(EL)フレームワークによって情報を得るシンボリックオートエンコーダを提案する。 私たちの革新には、文と画像の両方が機能的脳ネットワークの階層構造を正確に反映するように設計された一般化階層的損失関数が含まれています。
  論文  参考訳（メタデータ） (2024-04-15T13:51:05Z)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)

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。