論文の概要: BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling

• arxiv url: http://arxiv.org/abs/2603.09825v1
• Date: Tue, 10 Mar 2026 15:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.437132
• Title: BrainSTR: Spatio-Temporal Contrastive Learning for Interpretable Dynamic Brain Network Modeling
• Title（参考訳）: BrainSTR: 解釈可能な動的脳ネットワークモデリングのための時空間コントラスト学習
• Authors: Guiliang Guo, Guangqi Wen, Lingwen Liu, Ruoxian Song, Peng Cao, Jinzhu Yang, Fei Wang, Xiaoli Liu, Osmar R. Zaiane,
• Abstract要約: BrainSTRは、動的脳ネットワークモデリングのための分散脳時間コントラスト学習フレームワークを学習する。 ASD、BD、MDDに関する試験は、以前の発見と一致する解釈可能な証拠を提供する。
• 参考スコア（独自算出の注目度）: 11.472484296820225
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic functional connectivity captures time-varying brain states for better neuropsychiatric diagnosis and spatio-temporal interpretability, i.e., identifying when discriminative disease signatures emerge and where they reside in the connectivity topology. Reliable interpretability faces major challenges: diagnostic signals are often subtle and sparsely distributed across both time and topology, while nuisance fluctuations and non-diagnostic connectivities are pervasive. To address these issues, we propose BrainSTR, a spatio-temporal contrastive learning framework for interpretable dynamic brain network modeling. BrainSTR learns state-consistent phase boundaries via a data-driven Adaptive Phase Partition module, identifies diagnostically critical phases with attention, and extracts disease-related connectivity within each phase using an Incremental Graph Structure Generator regularized by binarization, temporal smoothness, and sparsity. Then, we introduce a spatio-temporal supervised contrastive learning approach that leverages diagnosis-relevant spatio-temporal patterns to refine the similarity metric between samples and capture more discriminative spatio-temporal features, thereby constructing a well-structured semantic space for coherent and interpretable representations. Experiments on ASD, BD, and MDD validate the effectiveness of BrainSTR, and the discovered critical phases and subnetworks provide interpretable evidence consistent with prior neuroimaging findings. Our code: https://anonymous.4open.science/r/BrainSTR1.
• Abstract（参考訳）: ダイナミック・ファンクショナル・コネクショナル・コネクショナル・コネクティビティ(英語版)は、より優れた神経精神医学的診断と時空間的解釈可能性、すなわち差別的な疾患のサインがいつ出現し、それが接続トポロジーのどこにあるかを特定するために、時間変化の脳状態をキャプチャする。 診断信号は、しばしば時間とトポロジーの両方に微妙に分散しており、ニュアンス変動や非診断的接続性は広範である。 これらの問題に対処するため,我々は動的脳ネットワークモデリングのための時空間比較学習フレームワークであるBrainSTRを提案する。 BrainSTRは、データ駆動のAdaptive Phase Partitionモジュールを通じて状態整合性フェーズ境界を学習し、診断上重要なフェーズを注意して識別し、バイナライゼーション、時間的滑らかさ、空間性によって正規化されたインクリメンタルグラフ構造生成器を用いて、各フェーズ内の病気関連接続を抽出する。 そして、診断関連時空間パターンを利用して、サンプル間の類似度基準を洗練し、より識別的時空間の特徴を捉え、コヒーレントかつ解釈可能な表現のためのよく構造化された意味空間を構築する。 ASD、BD、MDDの実験はBrainSTRの有効性を検証し、発見された臨界相とサブネットは、以前の神経画像所見と一致する解釈可能な証拠を提供する。 コード:https://anonymous.4open.science/r/BrainSTR1。

関連論文リスト

• DiGAN: Diffusion-Guided Attention Network for Early Alzheimer's Disease Detection [1.6471330810152984]
  アルツハイマー病(AD)の早期診断は、構造的脳変化の微妙で時間的に不規則な進行のため、依然として大きな課題である。 既存のディープラーニングアプローチでは、大規模な時系列データセットが必要であり、実世界の臨床データに固有の時間的連続性とモダリティの不規則性をモデル化できないことが多い。 本稿では,遅延拡散モデルと注意誘導畳み込みネットワークを統合した拡散誘導注意ネットワーク(DiGAN)を提案する。
  論文  参考訳（メタデータ） (2026-02-02T21:59:23Z)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• CSBrain: A Cross-scale Spatiotemporal Brain Foundation Model for EEG Decoding [57.90382885533593]
  脳波信号の一般化のためのクロススケール時空間脳基盤モデルを提案する。 CSBrainはタスク固有のベースラインと基盤モデルのベースラインを一貫して上回ります。 これらの結果は、CSBrainを将来の脳-AI研究の強力なバックボーンとして、重要な帰納バイアスとして、クロススケールモデリングを確立している。
  論文  参考訳（メタデータ） (2025-06-29T03:29:34Z)
• Detecting Neurocognitive Disorders through Analyses of Topic Evolution and Cross-modal Consistency in Visual-Stimulated Narratives [83.15653194899126]
  神経認知障害(NCD)の早期発見は、時間的介入と疾患管理に不可欠である。 現在のVSNベースのNCD検出法は主にボトムアップ、刺激駆動認知プロセスと密接に結びついている言語マイクロ構造に焦点を当てている。 本稿では,話題の時間的変化を追跡する動的トピックモデル(DTM)と,物語と視覚刺激の相互整合性を測定するテキスト画像時間アライメントネットワーク(TITAN)の2つの新しいマクロ構造手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T12:16:26Z)
• 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)
• 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)

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。