論文の概要: Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction
- arxiv url: http://arxiv.org/abs/2605.28397v1
- Date: Wed, 27 May 2026 12:33:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:56.047141
- Title: Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction
- Title（参考訳）: アルツハイマー病予測のための縦型磁気共鳴画像の適応的時空間ゲーティング
- Authors: Alireza Moayedikia, Sara Fin, Alicia Troncoso Lora, Uffe Kock Wiil,
- Abstract要約: 縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。
3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
- 参考スコア（独自算出の注目度）: 4.549831511476248
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting conversion from Mild Cognitive Impairment (MCI) to Alzheimer's Disease (AD) is critical for early intervention. Current deep learning paradigms predominantly rely on cross-sectional structural MRI, neglecting prognostic value in patient-specific anatomical trajectories. We introduce the Temporal Adaptive Fusion Network (TAF-Net), a hybrid CNN-Transformer architecture that models paired longitudinal 3D MRI scans. Central to TAF-Net is a Temporal Fusion Module governed by an Adaptive Temporal Gate, which learns patient-specific weightings to synthesize three spatiotemporal representations: explicit structural change, region-to-region temporal cross-attention, and bilateral feature concatenation. Evaluated on the Alzheimer's Disease Neuroimaging Initiative cohort for three-year MCI-to-AD conversion prediction, TAF-Net achieved the highest discriminative performance among all evaluated methods using only structural MRI, significantly outperforming the strongest baseline and approaching multimodal methods requiring PET, CSF, or genetic data. The architecture exhibited exceptional data efficiency, matching baseline performance with a fraction of training data. Ablation studies demonstrate that longitudinal fusion improves discrimination while reducing predictive variance by 48% compared to single-timepoint evaluation. Interpretability analyses reveal spatial attention aligned with established AD pathology in the medial temporal lobe and ventricles, while the gating mechanism prioritizes explicit volumetric change with strong positive correlation to conversion risk.
- Abstract（参考訳）: 早期介入には軽度認知障害(MCI)からアルツハイマー病(AD)への転換予測が重要である。
現在のディープラーニングパラダイムは、主に横断的構造MRIに依存しており、患者固有の解剖学的軌跡の予後的価値を無視している。
時間適応核融合ネットワーク(TAF-Net, Temporal Adaptive Fusion Network)はCNN-Transformerのハイブリッドアーキテクチャである。
中央からTAF-Netは適応的テンポラルゲート(Adaptive Temporal Gate)が支配するテンポラルフュージョンモジュールであり、患者固有の重み付けを学習して3つの時空間表現(明示的構造変化、地域間時間交叉、両特徴結合)を合成する。
TAF-Netは3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートで評価され、構造MRIのみを用いて評価されたすべての方法の中で、最も高いベースラインを著しく上回り、PET、CSF、遺伝データを必要とするマルチモーダルメソッドに近づいた。
アーキテクチャは例外的なデータ効率を示し、ベースラインのパフォーマンスと少数のトレーニングデータとを一致させた。
アブレーション研究は, 単点評価と比較して, 予測分散を48%減少させながら, 長手核融合により識別が向上することを示した。
解釈可能性解析により中側頭葉と心室におけるADの病態に整合した空間的注意を呈し, ゲーティング機構は変換リスクに強い正の相関を持つ明示的な容積変化を優先する。
関連論文リスト
- D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Task-guided Spatiotemporal Network with Diffusion Augmentation for EEG-based Dementia Diagnosis and MMSE Prediction [7.323891662570607]
脳波認知症診断とMMSE予測のための拡散増強型タスク誘導ネットワーク(TGSN)を提案する。
TGSNはマルチバンド機能融合モジュールを統合し、EEGから補完スペクトル情報をキャプチャする。
脳波の複雑な時間的認知パターンをモデル化するために,時間的注意モジュールを提案する。
論文 参考訳（メタデータ） (2026-04-27T02:24:08Z) - Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。
軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
論文 参考訳（メタデータ） (2026-01-21T01:45:36Z) - Alzheimer's Disease Prediction Using EffNetViTLoRA and BiLSTM with Multimodal Longitudinal MRI Data [2.220152876549942]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶障害、意思決定障害、全体的な認知機能障害である。
本研究では、アルツハイマー病神経画像イニシアチブ(ADNI)のMCI症例を用いたAD予測のための一般化されたエンドツーエンドディープラーニングモデルを提案する。
我々のハイブリッドアーキテクチャは、畳み込みニューラルネットワークとビジョントランスフォーマーを統合し、MRIスキャンから局所的な空間的特徴とグローバルなコンテキスト依存の両方をキャプチャする。
我々のマルチモーダルモデルは、sMCIとpMCIの間の平均進行予測精度を95.05%達成し、AD予測における既存の研究を上回った。
論文 参考訳（メタデータ） (2025-11-27T21:53:23Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。
病的シグネチャの最初の系統的周波数領域解析を行う。
周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
論文 参考訳（メタデータ） (2025-11-17T02:40:14Z) - Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文 参考訳（メタデータ） (2025-09-03T08:51:38Z) - Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。
ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-06-05T07:01:05Z) - 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) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z)
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。