論文の概要: Multimodal Connectome Fusion via Cross-Attention for Autism Spectrum Disorder Classification Using Graph Learning

• arxiv url: http://arxiv.org/abs/2603.15168v1
• Date: Mon, 16 Mar 2026 12:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.201164
• Title: Multimodal Connectome Fusion via Cross-Attention for Autism Spectrum Disorder Classification Using Graph Learning
• Title（参考訳）: グラフ学習を用いた自閉症スペクトラム障害分類のための相互注意によるマルチモーダルコネクトーム融合
• Authors: Ansar Rahman, Hassan Shojaee-Mend, Sepideh Hatamikia,
• Abstract要約: 自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、非典型的機能的脳結合と微妙な構造変化を特徴とする複雑な神経発達状態である。 本研究では,ASD分類のための構造画像と表現型情報を統合した多モードグラフ学習フレームワークを提案する。 提案フレームワークは, マルチサイトABIDE-Iデータセットからの異種マルチモーダルデータを効果的に統合し, 画像領域における自動ASD分類を改善する。
• 参考スコア（独自算出の注目度）: 0.3823356975862005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autism spectrum disorder (ASD) is a complex neurodevelopmental condition characterized by atypical functional brain connectivity and subtle structural alterations. rs-fMRI has been widely used to identify disruptions in large-scale brain networks, while structural MRI provides complementary information about morphological organization. Despite their complementary nature, effectively integrating these heterogeneous imaging modalities within a unified framework remains challenging. This study proposes a multimodal graph learning framework that preserves the dominant role of functional connectivity while integrating structural imaging and phenotypic information for ASD classification. The proposed framework is evaluated on ABIDE-I dataset. Each subject is represented as a node within a population graph. Functional and structural features are extracted as modality-specific node attributes, while inter-subject relationships are modeled using a pairwise association encoder (PAE) based on phenotypic information. Two Edge Variational GCNs are trained to learn subject-level embeddings. To enable effective multimodal integration, we introduce a novel asymmetric transformer-based cross-attention mechanism that allows functional embeddings to selectively incorporate complementary structural information while preserving functional dominance. The fused embeddings are then passed to a MLP for ASD classification. Using stratified 10-fold cross-validation, the framework achieved an AUC of 87.3% and an accuracy of 84.4%. Under leave-one-site-out cross-validation (LOSO-CV), the model achieved an average cross-site accuracy of 82.0%, outperforming existing methods by approximately 3% under 10-fold cross-validation and 7% under LOSO-CV. The proposed framework effectively integrates heterogeneous multimodal data from the multi-site ABIDE-I dataset, improving automated ASD classification across imaging sites.
• Abstract（参考訳）: 自閉症スペクトラム障害(Autism spectrum disorder、ASD)は、非典型的機能的脳結合と微妙な構造変化を特徴とする複雑な神経発達状態である。 rs-fMRIは大規模な脳ネットワークの破壊を識別するために広く用いられ、構造MRIは形態的組織に関する補完的な情報を提供する。 相補的な性質にもかかわらず、これらの不均一な画像モダリティを統一されたフレームワークに効果的に統合することは依然として困難である。 本研究では,ASD分類のための構造画像と表現型情報を統合した多モードグラフ学習フレームワークを提案する。 提案するフレームワークはABIDE-Iデータセットで評価される。 各主題は、人口グラフ内のノードとして表現される。 機能的および構造的特徴はモダリティ固有のノード属性として抽出され、オブジェクト間の関係は表現型情報に基づくペアワイズ・アソシエーション・エンコーダ(PAE)を用いてモデル化される。 2つのエッジ変分GCNは、対象レベルの埋め込みを学ぶために訓練される。 効率的なマルチモーダル統合を実現するために,機能的埋め込みが機能的優位性を維持しつつ補間構造情報を選択的に組み込むことのできる,非対称なトランスフォーマーを用いたクロスアテンション機構を導入する。 融合した埋め込みは、SD分類のためにMLPに渡される。 階層化された10倍のクロスバリデーションを使用して、AUCは87.3%、精度は84.4%に達した。 LOSO-CV(Left-one-site-out Cross-validation)では,従来の手法よりも約3%,LOSO-CVでは7%の精度で,平均クロスサイト精度が82.0%向上した。 提案フレームワークは, マルチサイトABIDE-Iデータセットからの異種マルチモーダルデータを効果的に統合し, 画像領域における自動ASD分類を改善する。

関連論文リスト

• MRC-GAT: A Meta-Relational Copula-Based Graph Attention Network for Interpretable Multimodal Alzheimer's Disease Diagnosis [2.2399170518036913]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、早期かつ正確な診断を必要とする進行性神経変性疾患である。 近年の研究では、精度と信頼性を高めるためにコンピュータ支援診断モデルに注目が集まっている。 これらの制約を克服するために,AD分類タスクの効率的なマルチモーダルモデルとして,Meta-Relational Copula-Based Graph Attention Network (MRC-GAT)を提案する。
  論文  参考訳（メタデータ） (2026-02-17T17:15:32Z)
• 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)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• 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)
• A Privacy-Preserving Domain Adversarial Federated learning for multi-site brain functional connectivity analysis [21.194849063213486]
  Domain Adversarial Federated Learning (DAFed)は、非IID fMRIデータ解析を多地点で行うための新しいディープラーニングフレームワークである。 DAFedは、これらの課題に、機能分離を通じて対処し、潜在機能空間をドメイン不変およびドメイン固有コンポーネントに分解する。
  論文  参考訳（メタデータ） (2025-02-03T23:26:07Z)
• Leveraging Persistent Homology for Differential Diagnosis of Mild Cognitive Impairment [2.474908349649168]
  軽度認知障害(MCI)は、認知機能の微妙な変化が特徴であり、しばしば脳の接続の混乱と関連している。 本研究では,6種類の被験者の脳ネットワークに関連する神経変性のトポロジカルな変化を調べるための,新しい微粒化分析法を提案する。
  論文  参考訳（メタデータ） (2024-08-28T09:01:55Z)
• Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks [8.703026708558157]
  分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。 このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
  論文  参考訳（メタデータ） (2024-08-25T13:15:55Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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。