論文の概要: Learning Cross-Atlas Consistent Brain Disorder Representations via Disentangled Multi-Atlas Functional Connectivity Learning

• arxiv url: http://arxiv.org/abs/2605.07026v1
• Date: Thu, 07 May 2026 23:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.6681
• Title: Learning Cross-Atlas Consistent Brain Disorder Representations via Disentangled Multi-Atlas Functional Connectivity Learning
• Title（参考訳）: マルチアトラス関数接続学習によるクロスアトラス一貫性脳障害表現の学習
• Authors: Minheng Chen, Chao Cao, Jing Zhang, Tianming Liu, Dajiang Zhu,
• Abstract要約: 静止状態fMRIから導かれる機能接続(FC)は、大規模な脳ネットワークの変化を特徴づけるために広く用いられている。 既存のマルチアトラスアプローチはこの問題を部分的に緩和するが、比較的浅いレベルでアトラスに由来する特徴や予測を融合させることが多い。 多分岐表現学習フレームワークであるMulti-Atlas Disentangled Connectivity LEarning (MADCLE)を提案する。
• 参考スコア（独自算出の注目度）: 16.991703658819794
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional connectivity (FC) derived from resting-state fMRI is widely used to characterize large-scale brain network alterations in neurological and psychiatric disorders. However, FC construction critically depends on the choice of brain atlas, and different parcellations may emphasize distinct organizational features, leading to heterogeneous and sometimes inconsistent representations. Existing multi-atlas approaches partially alleviate this issue but often fuse atlas-derived features or predictions at a relatively shallow level, while single-atlas disentanglement methods do not explicitly address cross-atlas heterogeneity. We propose Multi-Atlas Disentangled Connectivity LEarning (MADCLE), a multi-branch representation learning framework that jointly encodes FC matrices derived from different brain atlases. Rather than introducing a single explicitly shared latent variable across parcellations, MADCLE learns atlas-wise disease-related representations and encourages them to be cross-atlas consistent through distributional alignment. Meanwhile, covariate-related and atlas-dependent residual factors are modeled separately using covariate similarity supervision, atlas-specific reconstruction, and decorrelation constraints, thereby reducing the leakage of non-disease and parcellation-dependent information into the disease-related embeddings. Experiments on the ADNI and ADHD-200 datasets suggest that MADCLE achieves competitive or improved performance compared with single-atlas baselines, multi-atlas GNN/Transformer models, and recent multi-atlas consistency frameworks. These results support the potential value of structured disentanglement for FC-based disorder identification under heterogeneous parcellation schemes.
• Abstract（参考訳）: 静止状態fMRIから派生した機能的接続(FC)は、神経疾患や精神疾患における大規模な脳ネットワークの変化を特徴付けるために広く用いられている。 しかし、FCの構造は脳のアトラスの選択に大きく依存しており、異なるパーセレーションは異なる組織的特徴を強調し、不均一で時には矛盾する表現をもたらす可能性がある。 既存のマルチアトラスアプローチはこの問題を部分的に緩和するが、比較的浅いレベルでアトラスに由来する特徴や予測を融合させることが多い。 多分岐表現学習フレームワークであるMulti-Atlas Disentangled Connectivity LEarning (MADCLE)を提案する。 MADCLEは、パーセレーションにまたがって明示的に共有された潜伏変数を導入するのではなく、アトラス病に関連する表現を学習し、分散アライメントを通じてそれらを横断アトラスにすることを奨励する。 一方、共変量関連およびアトラス依存性残留因子は、共変量類似性監視、アトラス特異的再構成、デコリレーション制約を用いて別々にモデル化され、疾患関連埋め込みへの非解離およびパーセレーション依存性情報の漏洩を減少させる。 ADNIとADHD-200データセットの実験から、MADCLEはシングルアトラスベースライン、マルチアトラスGNN/Transformerモデル、最近のマルチアトラス一貫性フレームワークと比較して、競争力や性能の向上を実現していることが示唆されている。 これらの結果は、不均一なパーセレーションスキームの下でのFCベースの障害識別のための構造的不整合の潜在的価値を支持する。

関連論文リスト

• Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
  MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。 17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-20T11:55:00Z)
• Class Visualizations and Activation Atlases for Enhancing Interpretability in Deep Learning-Based Computational Pathology [1.5921492981295717]
  トランスフォーマーベース基礎モデルを用いて, クラスビジュアライゼーション (CV) とアクティベーションアトラス (AA) を評価した。 CVは形態学的に異なる組織に対する認識性を保ったが,重複癌サブクラスに対する分離性は低下した。 組織レベルの粗い概念がコヒーレントな領域を形成したのに対し、より微細なサブクラスは分散と重複を示した。
  論文  参考訳（メタデータ） (2026-03-07T12:23:10Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• An Interpretable Multi-Plane Fusion Framework With Kolmogorov-Arnold Network Guided Attention Enhancement for Alzheimer's Disease Diagnosis [1.3401966602181168]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、認知機能や生活の質を著しく損なう進行性神経変性疾患である。 これらの制限を克服するために,多面体融合(MPF)を統合したMPF-KANSCという革新的なフレームワークを提案する。 ADNIデータセットの実験により、提案したMPF-KANSCがAD診断において優れた性能を発揮することが確認された。
  論文  参考訳（メタデータ） (2025-08-08T09:26:49Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion [26.416833091059726]
  脳ネットワーク分類の標準アトラスは存在せず、障害の異常を検出するのに限界がある。 最近の手法では複数のアトラスを利用する方法が提案されているが、それらはアトラス間の一貫性を無視し、ROIレベルの情報交換を欠いている。 我々は,fMRIデータを用いた脳ネットワーク分類を改善するために,Atlas-Integrated Distillation and Fusion Network (AIDFusion)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T11:51:35Z)
• Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [57.500045584556794]
  均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。 提案したMULTは、生成した擬似ラベルがモダリティ間の整合性を維持しつつ、モダリティ内の構造的整合性を維持することを保証する。 実験の結果,提案手法は既存のUSL-VI-ReID法よりも優れていた。
  論文  参考訳（メタデータ） (2024-02-01T15:33:17Z)
• End-to-end Differentiable Clustering with Associative Memories [23.618514621460694]
  クラスタリングは、集中的な離散最適化問題を含む、広く使われている教師なし学習手法である。 本稿では,離散クラスタリング問題の非拘束的連続緩和を提案し,ClAMと呼ばれるAMによるエンドツーエンドの微分可能なクラスタリングを実現する。 各種データセットに対する評価では、ClAMは自己スーパービジョンの恩恵を受けており、従来のロイドのk平均アルゴリズムと、より最近の連続的なクラスタリング緩和(シルエット係数の60%まで)の両方で大幅に改善されていることが示されている。
  論文  参考訳（メタデータ） (2023-06-05T19:34:36Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)

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。