論文の概要: When Brain Networks Travel: Learning Beyond Site

• arxiv url: http://arxiv.org/abs/2605.06050v1
• Date: Thu, 07 May 2026 11:35:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.729189
• Title: When Brain Networks Travel: Learning Beyond Site
• Title（参考訳）: 脳ネットワークが旅行する時:サイトを超えて学ぶ
• Authors: Yingxu Wang, Kunyu Zhang, Yanwu Yang, Thomas Wolfers, Yujie Wu, Siyang Gao, Nan Yin,
• Abstract要約: 機能的磁気共鳴画像(fMRI)のグラフベースの学習は、脳ネットワーク解析に強い可能性を示している。 既存の方法は、サイト条件のコンソーシアムが非病理的ショートカットを誘導するため、クロスサイト・アウト・オブ・ディストリビューション(OOD)設定で劣化する。 我々は、見知らぬ場所にまたがる脳ネットワーク学習のための統合フレームワークであるクロスサイトOOD Robust Brain nEtwork (CORE)を提案する。
• 参考スコア（独自算出の注目度）: 19.116206481048224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based learning on functional magnetic resonance imaging (fMRI) has shown strong potential for brain network analysis. However, existing methods degrade under cross-site out-of-distribution (OOD) settings because site-conditioned confounders induce non-pathological shortcuts, while functional connectivity constructed by temporal averaging obscures transient neurodynamics, limiting generalization to unseen sites. In this paper, we propose Cross-site OOD Robust brain nEtwork (CORE), a unified framework for brain network learning across unseen sites. CORE first performs site-aware confounder decoupling to mitigate site-conditioned bias and extract a cross-site population scaffold of reproducible diagnostic connectivity edges. It then profiles transient pathway dynamics over this scaffold using lightweight temporal descriptors and organizes scaffold edges into a line graph for transferable pathway-level modeling. Finally, CORE introduces a prior-guided subject-adaptive gating mechanism that leverages scaffold-derived population priors while preserving subject-specific connectivity variability. Extensive experiments under leave-one-site-out evaluation on real-world datasets (ABIDE, REST-meta-MDD, SRPBS, and ABCD) show that CORE consistently outperforms state-of-the-art baselines, with up to 6.7% relative gain. Furthermore, CORE remains robust to atlas variations, maintaining performance gains across different brain parcellation schemes.
• Abstract（参考訳）: 機能的磁気共鳴画像(fMRI)のグラフベースの学習は、脳ネットワーク解析に強い可能性を示している。 しかし、サイト条件のコンソーシアムが非病理的ショートカットを誘導する一方で、時間平均化によって構築された機能的接続は、過渡的神経力学を曖昧にし、一般化を目に見えない部位に限定するため、既存の手法は、クロスサイト・アウト・オブ・ディストリビューション(OOD)設定下で劣化する。 本稿では,クロスサイト OOD Robust Brain nEtwork (CORE) を提案する。 COREはまず、サイトの条件付きバイアスを緩和し、再現可能な診断接続エッジのクロスサイト集団の足場を抽出するために、サイト対応の共同創業者を分離する。 次に、軽量な時間記述子を使用して、この足場上の過渡経路ダイナミクスをプロファイルし、足場エッジをライングラフに整理して、伝達可能な経路レベルのモデリングを行う。 最後に、COREは、事前に誘導された主観的適応的ゲーティング機構を導入し、主観的接続性を維持しながら、足場由来の個体群を優先的に活用する。 実世界のデータセット (ABIDE, REST-meta-MDD, SRPBS, ABCD) に対する一箇所評価による大規模な実験により、COREは一貫して最先端のベースラインを上回り、最大で6.7%の相対的な増加を示している。 さらに、COREはアトラス変動に対して頑健であり、異なる脳パーセレーションスキームにおけるパフォーマンス向上を維持している。

関連論文リスト

• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• 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)
• 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)
• 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)
• A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification [5.563162319586206]
  機能的接続(FC)を用いた脳コネクトーム分類におけるパターン認識手法の最近の応用は、時間とともに脳コネクトームの認知的側面へとシフトしている。 本稿では,ヒトの自閉症スペクトラム障害(ASD)を同定するために,非時間変動ベイズフレームワークを提案する。 このフレームワークは、動的FCネットワークをまたいだリッチテンポラルパターンをキャプチャするための注意に基づくメッセージパッシングスキームを備えた、空間認識リカレントニューラルネットワークを組み込んでいる。
  論文  参考訳（メタデータ） (2023-02-14T18:42:17Z)
• 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)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)

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。