論文の概要: A Dual Cross-Attention Graph Learning Framework For Multimodal MRI-Based Major Depressive Disorder Detection
- arxiv url: http://arxiv.org/abs/2604.10116v1
- Date: Sat, 11 Apr 2026 09:19:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.852381
- Title: A Dual Cross-Attention Graph Learning Framework For Multimodal MRI-Based Major Depressive Disorder Detection
- Title（参考訳）: マルチモーダルMRIによる大うつ病検出のための2段階横断グラフ学習フレームワーク
- Authors: Nojod M. Alotaibi, Areej M. Alhothali,
- Abstract要約: 大うつ病 (Major depressive disorder, MDD) は、複雑な神経生物学的変化を伴い、単一の画像モダリティで完全に捉えられない精神障害である。
本稿では、構造MRI(sMRI)と静止状態機能MRI(rs-fMRI)の双方向相互作用を明示的にモデル化する、二重対向型マルチモーダル融合フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Major depressive disorder (MDD) is a prevalent mental disorder associated with complex neurobiological changes that cannot be fully captured using a single imaging modality. The use of multimodal magnetic resonance imaging (MRI) provides a more comprehensive understanding of brain changes by combining structural and functional data. Despite this, the effective integration of these modalities remains challenging. In this study, we propose a dual cross-attention-based multimodal fusion framework that explicitly models bidirectional interactions between structural MRI (sMRI) and resting-state functional MRI (rs-fMRI) representations. The proposed approach is tested on the large-scale REST-meta-MDD dataset using both structural and functional brain atlas configurations. Numerous experiments conducted under a 10-fold stratified cross-validation demonstrated that the proposed fusion algorithm achieves robust and competitive performance across all atlas types. The proposed method consistently outperforms conventional feature-level concatenation for functional atlases, while maintaining comparable performance for structural atlases. The most effective dual cross-attention multimodal model obtained 84.71% accuracy, 86.42% sensitivity, 82.89% specificity, 84.34% precision, and 85.37% F1-score. These findings emphasize the importance of explicitly modeling cross-modal interactions for multimodal neuroimaging-based MDD classification.
- Abstract（参考訳）: 大うつ病 (Major depressive disorder, MDD) は、複雑な神経生物学的変化を伴い、単一の画像モダリティで完全に捉えられない精神障害である。
マルチモーダルMRI(Multimodal magnetic resonance imaging)の使用は、構造データと機能データを組み合わせることで、脳の変化をより包括的に理解する。
しかし、これらのモダリティの効果的な統合は依然として困難である。
本研究では、構造MRI(sMRI)と静止状態機能MRI(rs-fMRI)の双方向相互作用を明示的にモデル化する、二重対向型マルチモーダル融合フレームワークを提案する。
提案手法は、構造的および機能的脳アトラス構成の両方を用いて、大規模なREST-meta-MDDデータセットで検証される。
10倍層状クロスバリデーションで行った多数の実験により, 提案した融合アルゴリズムは全てのアトラス型に対して頑健かつ競争的な性能を達成できることを示した。
提案手法は, 機能的アトラスに対する従来の特徴レベル連結よりも優れ, 構造的アトラスに匹敵する性能を保っている。
最も効果的な二重対向マルチモーダルモデルは84.71%の精度、86.42%の感度、82.89%の特異性、84.34%の精度、85.37%のF1スコアを得た。
これらの知見は、マルチモーダル・ニューロイメージングに基づくMDD分類におけるクロスモーダル相互作用を明示的にモデル化することの重要性を強調した。
関連論文リスト
- SLaM-DiMM: Shared Latent Modeling for Diffusion Based Missing Modality Synthesis in MRI [0.0]
脳MRIスキャンは、T1強調画像(T1ceとT1w)、T2強調画像(T2w)、Frairの4つのモードでしばしば見られる。
SLaM-DiMMは、拡散モデルのパワーを利用して、他の利用可能なモダリティから4つのMRIモダリティのいずれかを合成する新しいモダリティ生成フレームワークである。
論文 参考訳（メタデータ） (2025-09-19T14:27:35Z) - 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。
提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。
提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
論文 参考訳（メタデータ） (2025-04-23T15:18:55Z) - Multi-modal Vision Pre-training for Medical Image Analysis [11.569448567735435]
自己教師型学習は、実世界のアプリケーションに対するトレーニングデータ要求を抑えることにより、医療画像解析を大いに促進してきた。
我々は,3つの代用タスクによる新しいマルチモーダル画像事前学習を行い,相互モダリティ表現と相関の学習を容易にする。
Dice Scoreは6つのセグメンテーションベンチマークで0.28%-14.47%改善し、4つの画像分類タスクで0.65%-18.07%向上した。
論文 参考訳（メタデータ） (2024-10-14T15:12:16Z) - 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) - Transferring Ultrahigh-Field Representations for Intensity-Guided Brain
Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。
本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-13T12:21:06Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Cross-Attention is Not Enough: Incongruity-Aware Dynamic Hierarchical
Fusion for Multimodal Affect Recognition [69.32305810128994]
モダリティ間の同調性は、特に認知に影響を及ぼすマルチモーダル融合の課題となる。
本稿では,動的モダリティゲーティング(HCT-DMG)を用いた階層型クロスモーダルトランスを提案する。
HCT-DMG: 1) 従来のマルチモーダルモデルを約0.8Mパラメータで上回り、2) 不整合が認識に影響を及ぼすハードサンプルを認識し、3) 潜在レベルの非整合性をクロスモーダルアテンションで緩和する。
論文 参考訳（メタデータ） (2023-05-23T01:24:15Z) - 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) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Mapping individual differences in cortical architecture using multi-view
representation learning [0.0]
本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。
マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
論文 参考訳（メタデータ） (2020-04-01T09:01:25Z)
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。