論文の概要: DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI
- arxiv url: http://arxiv.org/abs/2603.26351v1
- Date: Fri, 27 Mar 2026 12:25:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.496562
- Title: DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI
- Title（参考訳）: DuSCN-FusionNet:構造MRIを用いたADHD分類のための解釈可能なデュアルチャネル構造共分散融合フレームワーク
- Authors: Qurat Ul Ain, Alptekin Temizel, Soyiba Jawed,
- Abstract要約: 我々はADHD分類のための解釈可能なsMRIベースのフレームワークであるDuSCN-FusionNetを提案する。
このモデルは,5シードのアンサンブル戦略を用いて,層状10倍のクロスバリデーションを用いて評価した。
ADHD-200データセットの北京大学のサイトで平均平衡精度が80.59%、AUCが0.778に達する。
- 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 highly prevalent neurodevelopmental condition; however, its neurobiological diagnosis remains challenging due to the lack of reliable imaging-based biomarkers, particularly anatomical markers. Structural MRI (sMRI) provides a non-invasive modality for investigating brain alterations associated with ADHD; nevertheless, most deep learning approaches function as black-box systems, limiting clinical trust and interpretability. In this work, we propose DuSCN-FusionNet, an interpretable sMRI-based framework for ADHD classification that leverages dual-channel Structural Covariance Networks (SCNs) to capture inter-regional morphological relationships. ROI-wise mean intensity and intra-regional variability descriptors are used to construct intensity-based and heterogeneity-based SCNs, which are processed through an SCN-CNN encoder. In parallel, auxiliary ROI-wise variability features and global statistical descriptors are integrated via late-stage fusion to enhance performance. The model is evaluated using stratified 10-fold cross-validation with a 5-seed ensemble strategy, achieving a mean balanced accuracy of 80.59% and an AUC of 0.778 on the Peking University site of the ADHD-200 dataset. DuSCN-FusionNet further achieves precision, recall, and F1-scores of 81.66%, 80.59%, and 80.27%, respectively. Moreover, Grad-CAM is adapted to the SCN domain to derive ROI-level importance scores, enabling the identification of structurally relevant brain regions as potential biomarkers.
- Abstract（参考訳）: 注意欠陥多動性障害(ADHD)は神経発達障害として広く知られているが、画像ベースのバイオマーカーの欠如、特に解剖学的マーカーの欠如により、その神経生物学的診断はいまだに困難である。
構造MRI(Structure MRI)は、ADHDに関連する脳の変化を調べるために非侵襲的なモダリティを提供するが、しかしながら、最も深い学習アプローチはブラックボックスシステムとして機能し、臨床信頼と解釈可能性を制限する。
本研究では,DuSCN-FusionNetを提案する。DuSCN-FusionNetは,2チャネル構造共分散ネットワーク(SCN)を利用して,地域間形態的関係を捉える,ADHD分類のための解釈可能なsMRIベースのフレームワークである。
SCN-CNNエンコーダによって処理される強度ベースおよび不均一性ベースのSCNを構築するために、ROIワイド平均強度および地域内変動記述子を用いる。
並列的に、ROI-wise変数の補助的特徴とグローバル統計記述子は、後期融合によって統合され、性能が向上する。
このモデルは,ADHD-200データセットの北京大学サイト上で,平均平衡精度80.59%,AUC0.778を達成するために,5シードのアンサンブル戦略で層状化した10倍のクロスバリデーションを用いて評価した。
DuSCN-FusionNetは、それぞれ81.66%、80.59%、80.27%の精度、リコール、F1スコアを達成している。
さらに、Grad-CAM は SCN ドメインに適合し、ROI レベルの重要なスコアを導き、構造的に関連する脳領域を潜在的なバイオマーカーとして同定することができる。
関連論文リスト
- Multimodal Connectome Fusion via Cross-Attention for Autism Spectrum Disorder Classification Using Graph Learning [0.3823356975862005]
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。
論文 参考訳（メタデータ） (2026-03-16T12:02:39Z) - 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) - Hybrid Topological and Deep Feature Fusion for Accurate MRI-Based Alzheimer's Disease Severity Classification [0.8374077003751697]
そこで本研究では,TDA(Topological Data Analysis)とDenseNet121のバックボーンを統合するハイブリッドディープラーニングフレームワークを提案する。
TDAは、従来のニューラルネットワークで見過ごされることが多い脳構造の相補的トポロジカルな特徴を捉えるために使用される。
フレームワークの精度は99.93%、AUCは100%で、最近発表されたCNNベース、トランスファーラーニング、アンサンブル、マルチスケールアーキテクチャを上回る。
論文 参考訳（メタデータ） (2026-02-01T01:28:17Z) - 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 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) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳（メタデータ） (2024-07-02T16:44:00Z) - An Interpretable Cross-Attentive Multi-modal MRI Fusion Framework for Schizophrenia Diagnosis [46.58592655409785]
本稿では,fMRI と sMRI のモーダル内およびモーダル間関係を捉えるために,CAMF (Cross-Attentive Multi-modal Fusion framework) を提案する。
提案手法は,2つの広範囲なマルチモーダル脳画像データセットを用いた評価により,分類精度を著しく向上させる。
勾配誘導Score-CAMは、統合失調症に関連する重要な機能的ネットワークと脳領域の解釈に応用される。
論文 参考訳（メタデータ） (2024-03-29T20:32:30Z) - Spatial-Temporal DAG Convolutional Networks for End-to-End Joint
Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。
我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。
本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文 参考訳（メタデータ） (2023-12-16T04:31:51Z) - 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) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z)
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。