論文の概要: Hierarchical Multiscale Structure-Function Coupling for Brain Connectome Integration
- arxiv url: http://arxiv.org/abs/2603.20680v1
- Date: Sat, 21 Mar 2026 06:41:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.035029
- Title: Hierarchical Multiscale Structure-Function Coupling for Brain Connectome Integration
- Title（参考訳）: 脳コネクトーム統合のための階層的マルチスケール構造結合
- Authors: Jianwei Chen, Zhengyang Miao, Wenjie Cai, Jiaxue Tang, Boxing Liu, Yunfan Zhang, Yuhang Yang, Hao Tang, Carola-Bibiane Schönlieb, Zaixu Cui, Du Lei, Shouliang Qi, Chao Li,
- Abstract要約: コネクトーム統合のための階層型多スケール構造関数結合フレームワークを提案する。
構造接続(SC)と機能接続(FC)をまたいだ個別化モジュール構造と階層結合を共同で学習する。
脳年齢、認知スコア、疾患分類の予測のための4つのコホートでモデルの性能を評価する。
- 参考スコア（独自算出の注目度）: 27.350882221523847
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating structural and functional connectomes remains challenging because their relationship is non-linear and organized over nested modular hierarchies. We propose a hierarchical multiscale structure-function coupling framework for connectome integration that jointly learns individualized modular organization and hierarchical coupling across structural connectivity (SC) and functional connectivity (FC). The framework includes: (i) Prototype-based Modular Pooling (PMPool), which learns modality-specific multiscale communities by selecting prototypical ROIs and optimizing a differentiable modularity-inspired objective; (ii) an Attention-based Hierarchical Coupling Module (AHCM) that models both within-hierarchy and cross-hierarchy SC-FC interactions to produce enriched hierarchical coupling representations; and (iii) a Coupling-guided Clustering loss (CgC-Loss) that regularizes SC and FC community assignments with coupling signals, allowing cross-modal interactions to shape community alignment across hierarchies. We evaluate the model's performance across four cohorts for predicting brain age, cognitive score, and disease classification. Our model consistently outperforms baselines and other state-of-the-art approaches across three tasks. Ablation and sensitivity analyses verify the contributions of key components. Finally, the visualizations of learned coupling reveal interpretable differences, suggesting that the framework captures biologically meaningful structure-function relationships.
- Abstract（参考訳）: 構造的コネクトームと機能的コネクトームの統合は、ネストしたモジュラー階層よりも非線形で組織化されているため、依然として困難である。
本稿では,コネクトーム統合のための階層型マルチスケール構造関数結合フレームワークを提案する。
フレームワークには以下のものがある。
原型に基づくモジュールプール (PMPool) は,原型ROIを選択し,モジュール性に着想を得た目的を最適化することにより,モジュール性固有のマルチスケールコミュニティを学習する。
(II) 階層内および階層間SC-FC相互作用をモデル化し、リッチな階層的結合表現を生成するアテンションベースの階層結合モジュール(AHCM)
3)カップリング誘導クラスタリング損失(CgC-Loss)はSCとFCのコミュニティ割り当てを結合信号で規則化し,階層間の相互の相互作用によってコミュニティアライメントを形成する。
脳年齢、認知スコア、疾患分類の4つのコホートでモデルの性能を評価する。
私たちのモデルは、3つのタスクにまたがるベースラインや他の最先端のアプローチを一貫して上回ります。
アブレーションおよび感度分析は、鍵成分の寄与を検証する。
最後に、学習された結合の可視化は解釈可能な相違を明らかにし、このフレームワークが生物学的に意味のある構造と機能の関係を捉えていることを示唆している。
関連論文リスト
- Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis [9.090595907330018]
2組のSC-FCデータセットから因数分解された潜在表現を学習するために設計されたC-Modal Joint-Individual Variational Network (CM-JIVNet)。
本モデルでは,多面的注意融合モジュールを用いて,非線形な相互依存を捕捉し,独立性,モダリティ特異的な信号の分離を行う。
関節と個々の特徴空間を効果的に切り離すことで、CM-JIVNetは大規模マルチモーダル脳分析のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2026-01-23T00:28:43Z) - LLM$\times$MapReduce-V3: Enabling Interactive In-Depth Survey Generation through a MCP-Driven Hierarchically Modular Agent System [55.33058620876928]
LLM x MapReduce-V3 は、長期サーベイ生成のための階層的モジュラーエージェントシステムである。
システムは研究の視点を捉えて包括的な骨格を生成し、それを詳細な調査へと発展させる。
人間の評価から,本システムはコンテンツ深度と長さの両方において,代表的ベースラインを超越していることが示された。
論文 参考訳（メタデータ） (2025-10-13T01:38:37Z) - Refinement Module based on Parse Graph for Human Pose Estimation [9.106514619168536]
Parse Graphに基づく新しいコンテキスト関係と階層構造モデリングモジュールRMPGを提案する。
RMPGは、特徴写像のトップダウン分解とコンテキスト情報付きサブノード特徴写像のボトムアップ合成により特徴写像を適応的に洗練する。
様々な主流のヒューマン・ポース推定ネットワークにプラグインとして柔軟に組み込むことができる。
論文 参考訳（メタデータ） (2025-01-19T15:05:15Z) - SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation [11.070185680800071]
構造Functional Connectivity GAN(SFC-GAN)は、脳コネクトーム間の双方向翻訳のための新しいフレームワークである。
これらのコネクトームのトポロジ的整合性を維持するため、我々は、グローバルなコネクトームパターンとローカルなコネクトームパターンの両方を捉える際に、モデルを導く構造保存損失を用いる。
本フレームワークは,SCとFC間の翻訳において優れた性能を示し,類似性およびグラフ特性評価においてベースラインモデルより優れた性能を示す。
論文 参考訳（メタデータ） (2025-01-13T04:30:41Z) - Learning Hierarchical Relational Representations through Relational Convolutions [2.5322020135765464]
本稿では、より複雑な関係性の特徴を捉える計算機構を備えたニューラルネットワークである「リレーショナル畳み込みネットワーク」を紹介する。
このフレームワークの重要なコンポーネントは、グラフレットフィルタを畳み込み、オブジェクトのグループ内の関係パターンをキャプチャする新しい操作である。
アーキテクチャのモチベーションと詳細、およびリレーショナル畳み込みネットワークが階層構造を持つリレーショナルタスクをモデル化するための効果的なフレームワークを提供するための一連の実験を示す。
論文 参考訳（メタデータ） (2023-10-05T01:22:50Z) - Unified Embeddings of Structural and Functional Connectome via a
Function-Constrained Structural Graph Variational Auto-Encoder [2.8719792727222364]
機能的および構造的コネクトームからの情報を教師なし方式で組み込むことができる関数制約構造グラフ変分自動エンコーダを提案する。
これは、異なる主題を比較するための統一された空間座標系を確立するための、結合した低次元埋め込みにつながる。
論文 参考訳（メタデータ） (2022-07-05T21:39:13Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - Multi-Scale Semantics-Guided Neural Networks for Efficient
Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。
MS-SGNは、NTU60、NTU120、SYSUデータセットの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） (2021-11-07T03:50:50Z) - CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional
Network for Clustering [51.62959830761789]
クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。
CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。
異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
論文 参考訳（メタデータ） (2021-01-18T05:21:59Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z) - Learning Structured Communication for Multi-agent Reinforcement Learning [104.64584573546524]
本研究では,マルチエージェント強化学習(MARL)環境下での大規模マルチエージェント通信機構について検討する。
本稿では、より柔軟で効率的な通信トポロジを用いて、LSC(Learning Structured Communication)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-11T07:19:45Z)
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。