論文の概要: D-GATNet: Interpretable Temporal Graph Attention Learning for ADHD Identification Using Dynamic Functional Connectivity
- arxiv url: http://arxiv.org/abs/2603.26308v1
- Date: Fri, 27 Mar 2026 11:21:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.465086
- Title: D-GATNet: Interpretable Temporal Graph Attention Learning for ADHD Identification Using Dynamic Functional Connectivity
- Title（参考訳）: D-GATNet:動的機能接続を用いたADHD識別のための解釈可能な時間グラフ注意学習
- Authors: Qurat Ul Ain, Alptekin Temizel, Soyiba Jawed,
- Abstract要約: 注意欠陥多動性障害(ADHD)は、神経画像に基づく診断が依然として困難な神経発達障害である。
自動ADHD分類のための解釈可能な時間グラフベースのフレームワークであるD-GATNetを提案する。
- 参考スコア（独自算出の注目度）: 5.59102235103554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Attention Deficit Hyperactivity Disorder (ADHD) is a prevalent neurodevelopmental disorder whose neuroimaging-based diagnosis remains challenging due to complex time-varying disruptions in brain connectivity. Functional MRI (fMRI) provides a powerful non-invasive modality for identifying functional alterations. Existing deep learning (DL) studies employ diverse neuroimaging features; however, static functional connectivity remains widely used, whereas dynamic connectivity modeling is comparatively underexplored. Moreover, many DL models lack interpretability. In this work, we propose D-GATNet, an interpretable temporal graph-based framework for automated ADHD classification using dynamic functional connectivity (dFC). Sliding-window Pearson correlation constructs sequences of functional brain graphs with regions of interest as nodes and connectivity strengths as edges. Spatial dependencies are learned via a multi-layer Graph Attention Network, while temporal dynamics are modeled using 1D convolution followed by temporal attention. Interpretability is achieved through graph attention weights revealing dominant ROI interactions, ROI importance scores identifying influential regions, and temporal attention emphasizing informative connectivity segments. Experiments on the Peking University site of the ADHD-200 dataset using stratified 10-fold cross-validation with a 5-seed ensemble achieved 85.18% +_5.64 balanced accuracy and 0.881 AUC, outperforming state-of-the-art methods. Attention analysis reveals cerebellar and default mode network disruptions, indicating potential neuroimaging biomarkers.
- Abstract（参考訳）: 注意欠陥高活動障害(ADHD)は神経発達障害であり、脳の接続が複雑に変化するため、神経画像に基づく診断は困難である。
機能的MRI(fMRI)は、機能的変化を特定するために強力な非侵襲的モダリティを提供する。
既存のディープラーニング(DL)研究は多様なニューロイメージング機能を採用しているが、静的な機能的接続は依然として広く使われており、動的接続モデリングは比較的過小評価されている。
さらに、多くのDLモデルは解釈可能性に欠ける。
本研究では動的機能接続(dFC)を用いたADHD自動分類のための解釈可能な時間グラフベースのフレームワークであるD-GATNetを提案する。
スライディング・ウインドウ・ピアソン相関は、関心領域をノードとし、接続強度をエッジとする機能的脳グラフのシーケンスを構成する。
空間的依存は多層グラフ注意ネットワークを介して学習され、時間的ダイナミクスは1次元の畳み込みと時間的注意によってモデル化される。
グラフの重み付けにより、支配的なROI相互作用、影響力のある地域を特定するROI重要度スコア、情報接続セグメントを強調する時間的注意が達成される。
北京大学のADHD-200データセットの5シードのアンサンブルによる層状10倍のクロスバリデーションによる実験は85.18%+_5.64のバランスの取れた精度と0.881のAUCを達成し、最先端の手法を上回った。
注意分析により小脳とデフォルトモードのネットワーク破壊が明らかとなり、潜在的な神経画像バイオマーカーが示唆される。
関連論文リスト
- LUMINA: Laplacian-Unifying Mechanism for Interpretable Neurodevelopmental Analysis via Quad-Stream GCN [14.397085001122525]
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。
論文 参考訳（メタデータ） (2026-03-05T04:21:52Z) - 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) - 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) - Exploiting the Brain's Network Structure for Automatic Identification of
ADHD Subjects [70.37277191524755]
我々は脳を機能的ネットワークとしてモデル化できることを示し,ADHD被験者と制御対象とではネットワークの特定の特性が異なることを示した。
776名の被験者で分類器を訓練し,ADHD-200チャレンジのために神経局が提供する171名の被験者を対象に試験を行った。
論文 参考訳（メタデータ） (2023-06-15T16:22:57Z) - DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。
機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。
しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。
本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
論文 参考訳（メタデータ） (2023-01-26T20:45:30Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - Identifying Autism Spectrum Disorder Based on Individual-Aware
Down-Sampling and Multi-Modal Learning [4.310840361752551]
本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。
本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
論文 参考訳（メタデータ） (2021-09-19T14:22:55Z) - Learning Dynamic Graph Representation of Brain Connectome with
Spatio-Temporal Attention [33.049423523704824]
本稿では,脳コネクトームの動的グラフ表現を時間的注意とともに学習するSTAGINを提案する。
HCP-RestとHCP-Taskデータセットの実験は,提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2021-05-27T23:06:50Z) - 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。