論文の概要: Improved Multiscale Structural Mapping with Supervertex Vision Transformer for the Detection of Alzheimer's Disease Neurodegeneration
- arxiv url: http://arxiv.org/abs/2604.14837v1
- Date: Thu, 16 Apr 2026 10:15:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.837866
- Title: Improved Multiscale Structural Mapping with Supervertex Vision Transformer for the Detection of Alzheimer's Disease Neurodegeneration
- Title（参考訳）: アルツハイマー病神経変性症検出のためのスーパーバーテックス・ビジョン・トランスフォーマを用いたマルチスケール構造マッピングの改良
- Authors: Geonwoo Baek, David H. Salat, Ikbeom Jang,
- Abstract要約: アルツハイマー病(AD)の診断はポジトロン・エミッション・トモグラフィ(PET)や脳脊髄液(CSF)分析に依存することが多い。
非侵襲的ADスクリーニングには、CTなどの構造的MRIバイオマーカーが広く用いられている。
表面スーパーバーテックスマッピング(SSVM)とスーパーバーテックスビジョントランス(SV-ViT)を併用したMSSM+を提案する。
- 参考スコア（独自算出の注目度）: 0.7773571879033719
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Alzheimer's disease (AD) confirmation often relies on positron emission tomography (PET) or cerebrospinal fluid (CSF) analysis, which are costly and invasive. Consequently, structural MRI biomarkers such as cortical thickness (CT) are widely used for non-invasive AD screening. Multiscale structural mapping (MSSM) was recently proposed to integrate gray-white matter contrasts (GWCs) with CT from a single T1-weighted MRI (T1w) scan. Building on this framework, we propose MSSM+, together with surface supervertex mapping (SSVM) and a Supervertex Vision Transformer (SV-ViT). 3D T1w images from individuals with AD and cognitively normal (CN) controls were analyzed. MSSM+ extends MSSM by incorporating sulcal depth and cortical curvature at the vertex level. SSVM partitions the cortical surface into supervertices (surface patches) that effectively represent inter- and intra-regional spatial relationships. SV-ViT is a Vision Transformer architecture operating on these supervertices, enabling anatomically informed learning from surface mesh representations. Compared with MSSM, MSSM+ identified more spatially extensive and statistically significant group differences between AD and CN. In AD vs. CN classification, MSSM+ achieved a 3%p higher area under the precision-recall curve than MSSM. Vendor-specific analyses further demonstrated reduced signal variability and consistently improved classification performance across MR manufacturers relative to CT, GWCs, and MSSM. These findings suggest that MSSM+ combined with SV-ViT is a promising MRI-based imaging marker for AD detection prior to CSF/PET confirmation.
- Abstract（参考訳）: アルツハイマー病 (AD) の診断はポジトロン・エミッション・トモグラフィ (PET) や脳脊髄液 (CSF) 分析に頼っていることが多い。
その結果,非侵襲的ADスクリーニングにはCTなどの構造的MRIバイオマーカーが広く用いられている。
マルチスケール構造マッピング (MSSM) は近年, 灰白質コントラスト (GWC) とT1強調MRI (T1w) のCTを併用するために提案されている。
本稿では,MSSM+と表面スーパーバーテックスマッピング(SSVM)とスーパーバーテックスビジョン変換器(SV-ViT)を併用したMSSM+を提案する。
ADと認知正常 (CN) の3次元T1w画像の解析を行った。
MSSM+は、頂点レベルでsulcal depthとcortical curvatureを組み込むことでMSSMを拡張する。
SSVMは、皮質の表面を、地域間および地域内空間関係を効果的に表す超頂点(表面パッチ)に分割する。
SV-ViTは、これらのスーパーバーティス上で動作するビジョントランスフォーマーアーキテクチャであり、表面メッシュ表現から解剖学的に学習することができる。
MSSM+と比較すると,ADとCNの空間的および統計的に有意な集団差が認められた。
AD と CN の分類では,MSSM+ は MSSM よりも 3%p 高い値を示した。
さらに, ベンダー特異的解析により, CT, GWC, MSSMに対して, 信号のばらつきを低減し, MRメーカの分類性能を継続的に改善した。
以上の結果より, SV-ViTと併用したMSSM+は, CSF/PET確認前のAD検出に有望なMRI画像マーカーである可能性が示唆された。
関連論文リスト
- OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。
既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。
我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
論文 参考訳（メタデータ） (2026-02-18T00:42:41Z) - Scanner-Agnostic MRI Harmonization via SSIM-Guided Disentanglement [0.0]
3次元T1強調脳MRIのための画像ベース調和フレームワークを提案する。
このモデルは、生物学的に意味のある特徴を保存するために、構造的類似度指数(SSIM)に基づく識別可能な損失を組み込む。
視覚的比較,ボクセル強度分布,SSIMに基づく測定により,高調波画像が取得設定間で強い整合性を示した。
論文 参考訳（メタデータ） (2025-10-24T23:19:02Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で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） (2024-12-10T10:32:09Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - H-SynEx: Using synthetic images and ultra-high resolution ex vivo MRI for hypothalamus subregion segmentation [1.0486773259892048]
視床下部領域の自動セグメンテーションのための機械学習手法であるH-SynExを紹介する。
H-SynExは、リトレーニングなしで異なるMRIシーケンスと解像度を一般化する。
5mm間隔のFLAIR画像において,アルツハイマー病患者に対してコントロールを識別することができた。
論文 参考訳（メタデータ） (2024-01-30T15:36:02Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳（メタデータ） (2022-07-18T23:07:53Z) - Swin Transformer for Fast MRI [12.28925347961542]
SwinMRは、高速MRI再構成のための新しいSwin変換器ベースの方法である。
ネットワークは入力モジュール(IM)、特徴抽出モジュール(FE)、出力モジュール(OM)で構成される。
論文 参考訳（メタデータ） (2022-01-10T09:32:32Z) - Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image
Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。
スペクトル間相互作用のモデル化は、HSI再構成に有用である。
Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための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） (2021-11-15T16:59:48Z) - MRI to PET Cross-Modality Translation using Globally and Locally Aware GAN (GLA-GAN) for Multi-Modal Diagnosis of Alzheimer's Disease [0.6597195879147557]
現実像を合成できるGAN(Generative Adversarial Network)は、標準的なデータ拡張手法の代替として大きな可能性を秘めている。
本稿では,グローバルな構造的整合性と局所的細部への忠実さを両立させるマルチパスアーキテクチャにより,グローバルかつ局所的に認識された画像間変換GAN(GLA-GAN)を提案する。
論文 参考訳（メタデータ） (2021-08-04T16:38:33Z)
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。