論文の概要: LUMINA: Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis via Quad-Stream GCN

• arxiv url: http://arxiv.org/abs/2603.13329v1
• Date: Thu, 05 Mar 2026 04:21:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.310487
• Title: LUMINA: Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis via Quad-Stream GCN
• Title（参考訳）: LUMINA:クアッドストリームGCNを用いたラプラシアン統一機構による神経発達解析
• Authors: Minkyung Cha, Jooyoung Bae, Jaewon Jung, Ping Shu Ho, Ka Chun Cheung, Namjoon Kim,
• Abstract要約: 解釈可能な神経発達解析のためのラプラシアン統一機構を提案する。 我々のモデルは、バイポーラRELUアクティベーションとデュアルスペクトルグラフラプラシアンフィルタリング機構を利用する、クアドストリームGCNである。 LUMINAは小児、ADHD、ALDの2つの重要な神経発達障害において安定した診断性能を示す。
• 参考スコア（独自算出の注目度）: 14.397085001122525
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Functional Magnetic Resonance Imaging(fMRI) has now become a classic way for measuring brain activity, and recent trend is shifting toward utilizing fMRI brain data for AI-driven diagnosis. Given that the brain functions as not a discrete but interconnected whole, Graph-based architectures represented by Graph Convolutional Network(GCN) has emerged as a dominant framework for such task, since they are capable of treating ROIs as dynamically interconnected nodes and extracting relational architecture between them. Ironically, however, it is the very nature of GCN's architecture that acts as an obstacle to its performance. The mathematical foundation of GCN, effective for capturing global regularities, acts as a tradeoff; by smoothing features across the connected nodes repeatedly, traditional GCN tend to blur out the contrastive dynamics that might be crucial in identifying certain neurological disorders. In order to break through this structural bottleneck, we propose LUMINA, a Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis. Our model is a Quad-Stream GCN that employs a bipolar RELU activation and a dual-spectrum graph Laplacian filtering mechanism, thereby capturing heterogeneous dynamics that were often blurred out in conventional GCN. By doing so, we can preserve the diverse range and characteristics of neural connections in each fMRI data. Through 5-fold cross validation on the ADHD200(N=144) and ABIDE(N=579) dataset, LUMINA demonstrates stable diagnostic performance in two of the most critical neurodevelopmental disorder in childhood, ADHD and ASD, outperforming existing models with an accuracy of 84.66% and 88.41% each.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、現在、脳活動を測定するための古典的な方法となっている。 グラフ畳み込みネットワーク(GCN)で表されるグラフベースのアーキテクチャは、脳の機能を離散的ではなく相互接続した全体として機能することを考えると、ROIを動的に相互接続されたノードとして扱うことができ、それらの間の関係アーキテクチャを抽出できるため、そのようなタスクの主流のフレームワークとして登場した。 しかし皮肉なことに、GCNのアーキテクチャはパフォーマンスの障害として機能する。 GCNの数学的基礎は、グローバルな規則性を捉えるのに効果的であり、接続されたノードをまたいで機能をスムーズにすることで、伝統的なGCNは特定の神経疾患を特定するのに不可欠な対照的なダイナミクスを曖昧にする傾向がある。 この構造的ボトルネックを突破するために,我々はラプラシア統一機構LUMINAを提案する。 我々のモデルは、バイポーラRELUアクティベートとデュアルスペクトルグラフラプラシアンフィルタリング機構を利用して、従来のGCNでしばしばぼやけていた異種力学を捉えるクアドストリームGCNである。 これにより、各fMRIデータにおいて、ニューラルネットワークの多様な範囲と特性を保存できる。 ADHD200(N=144)とABIDE(N=579)データセット上の5倍のクロス検証を通じて、LUMINAは小児期の最も重要な神経発達障害であるADHDとASDの2つにおいて安定した診断性能を示し、それぞれ84.66%と88.41%の精度で既存のモデルを上回っている。

関連論文リスト

• 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)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• A Dual-Attention Graph Network for fMRI Data Classification [1.3176926720381557]
  本稿では,自閉症スペクトラム障害(ASD)の診断に動的グラフ作成と注意機構を活用するフレームワークを提案する。 本研究のアプローチは、トランスフォーマーに基づく注意機構を用いて、各時間間隔で機能的脳接続を動的に推論する。 我々のモデルは63.2の精度と60.0のAUCを達成し、グラフ静的アプローチより優れている。
  論文  参考訳（メタデータ） (2025-08-18T19:23:18Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• 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)
• Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis [8.280225660612862]
  この研究はCOBREとUCLAのデータセットで検証され、平均精度は83.62%と89.71%に達した。 興味深いことに、左半球の低次知覚系と高次ネットワーク領域は、SZの右半球よりも深刻な機能障害であることがわかった。
  論文  参考訳（メタデータ） (2023-03-31T02:54:01Z)
• 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)
• Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis [11.85489505372321]
  BOLD時系列の短いサブシーケンスに基づいて、時空間グラフ畳み込みネットワーク(ST-GCN)を訓練し、機能接続の非定常特性をモデル化する。 St-GCNはBOLD信号に基づいて性別や年齢を予測する一般的な手法よりもはるかに正確である。
  論文  参考訳（メタデータ） (2020-03-24T01:56:50Z)

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。