論文の概要: Unsupervised learning of acquisition variability in structural connectomes via hybrid latent space modeling

• arxiv url: http://arxiv.org/abs/2605.13933v1
• Date: Wed, 13 May 2026 16:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.426647
• Title: Unsupervised learning of acquisition variability in structural connectomes via hybrid latent space modeling
• Title（参考訳）: ハイブリッド潜在空間モデリングによる構造コネクトームにおける獲得変数の教師なし学習
• Authors: Gaurav Rudravaram, Lianrui Zuo, Karthik Ramadass, Elyssa McMaster, Jongyeon Yoon, Aravind R. Krishnan, Adam M. Saunders, Chenyu Gao, Nancy R. Newlin, Praitayini Kanakaraj, Lori L. Beason Held, Murat Bilgel, Laura A. Barquero, Micah DArchangel, Tin Q. Nguyen, Laurie B. Cutting, Derek Archer, Timothy J. Hohman, Daniel C. Moyer, Bennett A. Landman,
• Abstract要約: dMRIにおけるサイト、スキャナー、プロトコル間の獲得差は、構造コネクトーム解析を複雑にする可変性を導入している。 これは低次元空間における高次元コネクトームを表現することができる深層学習モデルであり、生物学的変異から取得関連効果を明確に分離する。 最近のハイブリッド潜在空間モデルは、これに対応するために離散的および連続的なコンポーネントを組み合わせているが、通常、離散的なコンポーネントが意図した変数をキャプチャすることを保証するために、手動のキャパシティチューニングを必要とする。
• 参考スコア（独自算出の注目度）: 3.0508963681559913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Acquisition differences across sites, scanners, and protocols in dMRI introduce variability that complicates structural connectome analysis. This motivates deep learning models that can represent high-dimensional connectomes in a low-dimensional space while explicitly separating acquisition-related effects from biological variation. Conventional dimensionality reduction methods model all variance as continuous, so acquisition effects often get absorbed into a continuous latent space. Recent hybrid latent-space models combine discrete and continuous components to address this, but typically require manual capacity tuning to ensure the discrete component captures the intended variability. We introduce an unsupervised framework that removes this manual tuning by architecturally annealing encoder outputs before decoding, allowing the model to adaptively balance discrete and continuous latent variables during training. To evaluate it, we curated a dataset of N=7,416 structural connectomes derived from dMRI, spanning ages 2 to 102 and 13 studies with 25 unique acquisition-parameter combinations. Of these, 5,900 are cognitively unimpaired, 877 have mild cognitive impairment (MCI), and 639 have Alzheimer's disease (AD). We compare against a standard VAE, PCA with k-means clustering, and hybrid models that anneal only through the loss function. Our architectural annealing produces stronger site learning (ARI=0.53, p<0.05) than these baselines. Results show that a hybrid continuous-discrete latent space, with architectural rather than loss-based annealing, provides a useful unsupervised mechanism for capturing acquisition variability in dMRI: by jointly modeling smooth and categorical structure, the Joint-VAE recovers clusters aligned with scanner and protocol differences.
• Abstract（参考訳）: dMRIにおけるサイト、スキャナー、プロトコル間の獲得差は、構造コネクトーム解析を複雑にする可変性を導入している。 これは低次元空間における高次元コネクトームを表現することができる深層学習モデルであり、生物学的変異から取得関連効果を明確に分離する。 従来の次元減少法はすべての分散を連続的にモデル化するので、取得効果はしばしば連続的な潜在空間に吸収される。 最近のハイブリッド潜在空間モデルは、これに対応するために離散的および連続的なコンポーネントを組み合わせているが、通常、離散的なコンポーネントが意図した変数をキャプチャすることを保証するために、手動のキャパシティチューニングを必要とする。 我々は、デコード前にエンコーダ出力をアーキテクチャ的にアニールすることで、この手動チューニングを取り除き、トレーニング中に離散変数と連続変数を適応的にバランスさせることが可能な、教師なしのフレームワークを導入する。 2歳から102歳までのDMRIから得られたN=7,416構造コネクトームのデータセットと,25種類の獲得パラメータの組み合わせによる13の試験を行った。 そのうち5,900人は認知障害がなく、877人は軽度認知障害(MCI)、639人はアルツハイマー病(AD)である。 我々は、標準的なVAE、PCAとk平均クラスタリングを比較し、損失関数を経由しないハイブリッドモデルと比較する。 この構造アニーリングにより,これらのベースラインよりも強いサイト学習(ARI=0.53, p<0.05)が得られる。 その結果, ハイブリッド連続分散遅延空間は, ロスベースアニーリングではなく, アーキテクチャにより, dMRIの取得変動を捉えるための非教師機構として有用であることが示され, 滑らかで分類的な構造を共同でモデル化することにより, スキャナとプロトコルの違いに合わせたクラスタを復元する。

関連論文リスト

• How Much Temporal Modeling is Enough? A Systematic Study of Hybrid CNN-RNN Architectures for Multi-Label ECG Classification [1.8119312186036625]
  本研究は,心電図分類における深層および累積再帰的アーキテクチャの必要性と臨床正当性を評価するものである。 単一のBiLSTM層に統合されたCNNは、予測性能とモデル複雑性の最も好ましいトレードオフを実現する。 これらの結果から,心電図信号の内在的時間構造とのアーキテクチャ的整合性は,再帰的深度を増大させるのではなく,頑健な性能を決定づける重要な要因であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-25T17:29:13Z)
• Characterizing Continuous and Discrete Hybrid Latent Spaces for Structural Connectomes [1.7732287904031832]
  構造コネクトームは、異なる脳領域が物理的にどのように接続されているかを示す詳細なグラフである。 PCAやオートエンコーダのような低次元空間は、大きな変化源を捉えるためにしばしば用いられる。 離散成分と連続成分を連成モデル化するハイブリッド潜在空間を持つ変分オートエンコーダ(VAE)を提案する。
  論文  参考訳（メタデータ） (2025-11-20T02:52:17Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• On the Joint Minimization of Regularization Loss Functions in Deep Variational Bayesian Methods for Attribute-Controlled Symbolic Music Generation [47.38557855930304]
  明示的な潜在変数モデルは、データ合成のための柔軟だが強力なフレームワークを提供する。 既存のアプローチは、両方の正規化目標を共同で最小化するのに苦労していることを示す。 適切な属性変換は、目標潜在次元の可制御性と正則化の両方を達成するのに有効であることを示す。
  論文  参考訳（メタデータ） (2025-11-10T14:09:25Z)
• Contrastive Multi-Task Learning with Solvent-Aware Augmentation for Drug Discovery [3.4776689202566824]
  各種溶媒条件下で生成する配位子コンフォメーションアンサンブルを付加入力として組み込んだ事前学習法を提案する。 トレーニングプロセスは、分子再構成を統合し、局所的な幾何学、原子間距離予測、および対照的な学習を捉え、溶媒不変の分子表現を構築する。 このフレームワークは、溶媒を意識したマルチタスクモデリングをサポートし、ベンチマーク間で一貫した結果を生成する。
  論文  参考訳（メタデータ） (2025-08-03T15:25:42Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。