論文の概要: SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2603.20452v1
- Date: Fri, 20 Mar 2026 19:31:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:38.922613
- Title: SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease
- Title（参考訳）: アルツハイマー病における不規則縦型fMRIコネクトームモデリングのためのSDE駆動時空間ハイパーグラフニューラルネットワーク
- Authors: Ruiying Chen, Yutong Wang, Houliang Zhou, Wei Liang, Yong Chen, Lifang He,
- Abstract要約: 本稿では不規則な長手fMRIコネクトームモデリングのためのグラフ匿名微分方程式(SDE)による時空間ニューラルネットワークを提案する。
このフレームワークは、まずSDEベースの再構成モジュールを使用して、不規則な観測から連続的な潜航軌道を復元する。
時間的進化をさらにモデル化するために、ハイパーグラフパラメータは、スキャン間隔で条件付けられたSDE制御されたニューロイメージングダイナミクスを介して進化する。
- 参考スコア（独自算出の注目度）: 18.4869028609927
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal neuroimaging is essential for modeling disease progression in Alzheimer's disease (AD), yet irregular sampling and missing visits pose substantial challenges for learning reliable temporal representations. To address this challenge, we propose SDE-HGNN, a stochastic differential equation (SDE)-driven spatio-temporal hypergraph neural network for irregular longitudinal fMRI connectome modeling. The framework first employs an SDE-based reconstruction module to recover continuous latent trajectories from irregular observations. Based on these reconstructed representations, dynamic hypergraphs are constructed to capture higher-order interactions among brain regions over time. To further model temporal evolution, hypergraph convolution parameters evolve through SDE-controlled recurrent dynamics conditioned on inter-scan intervals, enabling disease-stage-adaptive connectivity modeling. We also incorporate a sparsity-based importance learning mechanism to identify salient brain regions and discriminative connectivity patterns. Extensive experiments on the OASIS-3 and ADNI cohorts demonstrate consistent improvements over state-of-the-art graph and hypergraph baselines in AD progression prediction. The source code is available at https://anonymous.4open.science/r/SDE-HGNN-017F.
- Abstract（参考訳）: 縦断神経イメージングはアルツハイマー病(AD)の疾患進行のモデル化に不可欠であるが、不規則なサンプリングと欠席は、信頼できる時間的表現の学習に重大な課題をもたらす。
この課題に対処するために、不規則な長手fMRIコネクトームモデリングのための確率微分方程式(SDE)駆動時空間ハイパーグラフニューラルネットワークであるSDE-HGNNを提案する。
このフレームワークは、まずSDEベースの再構成モジュールを使用して、不規則な観測から連続的な潜航軌道を復元する。
これらの再構成された表現に基づいて、動的ハイパーグラフは時間とともに脳領域間の高次相互作用を捉えるために構築される。
時間的進化をさらにモデル化するために、ハイパーグラフの畳み込みパラメータは、SDE制御されたスキャン間隔で条件付けられたリカレントダイナミクスを通じて進化し、病気のステージ適応接続モデリングを可能にする。
また、空間に基づく重要度学習機構を導入し、健常な脳領域と識別的接続パターンを同定する。
OASIS-3とADNIコホートに関する大規模な実験は、AD進行予測における最先端グラフとハイパーグラフベースラインに対する一貫した改善を示している。
ソースコードはhttps://anonymous.4open.science/r/SDE-HGNN-017Fで公開されている。
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) - Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文 参考訳（メタデータ） (2025-11-06T20:16:33Z) - Uncovering Alzheimer's Disease Progression via SDE-based Spatio-Temporal Graph Deep Learning on Longitudinal Brain Networks [18.54013631358448]
我々は、将来のアルツハイマー病(AD)の進行を予測するニューラルネットワークフレームワークを開発する。
筆者らの枠組みは, 地域的, 結合的重要性の低い確率を効果的に学習する。
以上の結果から,AD進行の早期・個別化予測における時間グラフ学習の可能性が示唆された。
論文 参考訳（メタデータ） (2025-09-26T01:02:34Z) - A scalable generative model for dynamical system reconstruction from neuroimaging data [5.777167013394619]
データ駆動推論は、観測された時系列の集合に基づく生成力学の推論であり、機械学習への関心が高まっている。
動的システム再構成(DSR)に特化した状態空間モデル(SSM)のトレーニング技術における最近の進歩は、基礎となるシステムの回復を可能にする。
本稿では,この問題を解く新しいアルゴリズムを提案し,モデル次元とフィルタ長とを比較検討する。
論文 参考訳（メタデータ） (2024-11-05T09:45:57Z) - Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。
絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文 参考訳（メタデータ） (2024-10-28T15:54:50Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。