論文の概要: Clinical Graph-Mediated Distillation for Unpaired MRI-to-CFI Hypertension Prediction

• arxiv url: http://arxiv.org/abs/2603.21809v1
• Date: Mon, 23 Mar 2026 10:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.618943
• Title: Clinical Graph-Mediated Distillation for Unpaired MRI-to-CFI Hypertension Prediction
• Title（参考訳）: MRI-to-CFIによる高血圧予測のための臨床的グラフ媒介蒸留法
• Authors: Dillan Imans, Phuoc-Nguyen Bui, Duc-Tai Le, Hyunseung Choo,
• Abstract要約: 臨床グラフ媒介蒸留(CGMD)は、MRI由来のHTN知識を、ペア化されたマルチモーダルデータを持たない基礎モデルに転送するフレームワークである。 新たに収集したMRI-fundus-biomarkerデータセットを用いて実験したところ、CGMDは根源に基づくHTN予測を一貫して改善することがわかった。
• 参考スコア（独自算出の注目度）: 2.2539165333774647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal fundus imaging enables low-cost and scalable hypertension (HTN) screening, but HTN-related retinal cues are subtle, yielding high-variance predictions. Brain MRI provides stronger vascular and small-vessel-disease markers of HTN, yet it is expensive and rarely acquired alongside fundus images, resulting in modality-siloed datasets with disjoint MRI and fundus cohorts. We study this unpaired MRI-fundus regime and introduce Clinical Graph-Mediated Distillation (CGMD), a framework that transfers MRI-derived HTN knowledge to a fundus model without paired multimodal data. CGMD leverages shared structured biomarkers as a bridge by constructing a clinical similarity kNN graph spanning both cohorts. We train an MRI teacher, propagate its representations over the graph, and impute brain-informed representation targets for fundus patients. A fundus student is then trained with a joint objective combining HTN supervision, target distillation, and relational distillation. Experiments on our newly collected unpaired MRI-fundus-biomarker dataset show that CGMD consistently improves fundus-based HTN prediction over standard distillation and non-graph imputation baselines, with ablations confirming the importance of clinically grounded graph connectivity. Code is available at https://github.com/DillanImans/CGMD-unpaired-distillation.
• Abstract（参考訳）: 網膜基底イメージングは、低コストで拡張性高血圧(HTN)スクリーニングを可能にするが、HTN関連網膜手がかりは微妙であり、高い分散予測をもたらす。 脳MRIは、HTNのより強力な血管および小血管放出マーカーを提供するが、高価であり、基底画像とともに取得されることは滅多にない。 我々は,MRIから得られたHTNの知識を,複数モーダルデータを持たないベースモデルに転送するフレームワークである,CGMD(Cricer Graph-Mediated Distillation)を導入する。 CGMDは、両コホートにまたがる臨床類似性kNNグラフを構築することにより、共有構造バイオマーカーをブリッジとして活用する。 我々は、MRIの教師を訓練し、その表現をグラフ上で伝達し、脳にインフォームドされた表現対象を基礎疾患患者に提示する。 基礎生は、HTNの監督、ターゲット蒸留、およびリレーショナル蒸留を組み合わせた共同目的で訓練される。 新たに収集したMRI-fundus-biomarkerデータセットを用いて実験したところ,CGMDは標準蒸留法や非グラフインプットベースラインよりもHTN予測を一貫して改善し,臨床上の根拠となるグラフ接続の重要性が確認された。 コードはhttps://github.com/DillanImans/CGMD-unpaired-distillationで入手できる。

関連論文リスト

• MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction [15.543131466384658]
  MIRAGEは、欠落したMRI問題を解剖誘導型クロスモーダルラテント蒸留タスクとして再構成する新しいフレームワークである。 凍結事前訓練された3次元U-Netデコーダを補助正規化エンジンとして厳密に採用する。 実験の結果、我々のフレームワークはモダリティのギャップを埋めることに成功し、AD分類率を13%改善した。
  論文  参考訳（メタデータ） (2026-03-02T22:17:37Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Semi-supervised learning and integration of multi-sequence MR-images for carotid vessel wall and plaque segmentation [0.6597195879147557]
  頸動脈血管壁とプラークのセグメンテーションのためのマルチシーケンスMRIデータを統合するための半教師付き深層学習手法を提案する。 動脈硬化症52例に対し, それぞれ5つのMRIシークエンスを施行した。
  論文  参考訳（メタデータ） (2025-07-10T07:31:31Z)
• NeuroMoE: A Transformer-Based Mixture-of-Experts Framework for Multi-Modal Neurological Disorder Classification [3.5313393560458826]
  Deep Learningは最近、診断を助けるために医療データから意味のあるパターンを抽出する強力なツールとして登場した。 神経疾患を分類するための新しいトランスフォーマーベースのMixture-of-Experts(MoE)フレームワークを提案する。 我々のフレームワークは82.47%の検証精度を達成し、ベースライン法を10%以上上回っている。
  論文  参考訳（メタデータ） (2025-06-17T20:40:06Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• Synthesis of Contrast-Enhanced Breast MRI Using Multi-b-Value DWI-based Hierarchical Fusion Network with Attention Mechanism [15.453470023481932]
  造影MRI(CE-MRI)は腫瘍と浸潤した健全な組織との鑑別に優れる。 CE-MRIを得るためにガドリニウムベースの造影剤(GBCA)を使用することは、ネフローゼ性全身線維症と関連し、脳内での生体蓄積を引き起こす可能性がある。 造影剤の使用を減らすため,拡散強調画像(DWI)が重要画像技術として出現している。
  論文  参考訳（メタデータ） (2023-07-03T09:46:12Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• MRI-based Alzheimer's disease prediction via distilling the knowledge in multi-modal data [0.0]
  MCI変換予測のために,マルチモーダルデータから学んだ知識をMRIベースのネットワークに抽出することを目的としたマルチモーダルマルチインスタンス蒸留方式を提案する。 本研究は、マルチモーダル情報から抽出した余計な監視を活用し、MRIに基づく予測モデルの改善を試みる最初の研究です。
  論文  参考訳（メタデータ） (2021-04-08T09:06:39Z)
• Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment [38.936005220639316]
  軽度認知障害 (MCI) とアルツハイマー病 (AD) を評価するために, 高次プールを用いた新しいテンソル化GANを提案する。 GAN(THS-GAN)は,MRI画像によるAD診断の分類を行う最初の試みである。
  論文  参考訳（メタデータ） (2020-08-03T10:04:09Z)

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。