論文の概要: NeuroAlign: Hierarchical Multimodal Fusion of Dynamic and Structural Neuroimaging for MCI Analysis

• arxiv url: http://arxiv.org/abs/2606.07635v1
• Date: Sun, 31 May 2026 14:01:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.167965
• Title: NeuroAlign: Hierarchical Multimodal Fusion of Dynamic and Structural Neuroimaging for MCI Analysis
• Title（参考訳）: NeuroAlign:MCI解析のための動的・構造的ニューロイメージングの階層的マルチモーダル融合
• Authors: Xiongri Shen, Zhenxi Song, Jiaqi wang, Yi Zhong, Leilei Zhao, Chenqi Xu, Linling Li, Yichen Wei, Lingyan Liang, Demao Deng, Luping Song, Ping Luan, Ahmed M. Anter, Shuqiang Wang, Baiying Lei, Zhiguo Zhang,
• Abstract要約: 構造化多モード核融合のための階層的フレームワークである textitNeuroAlign を提案する。 NeuroAlignは、競合するMCI/SCD検出と予備的なデータセット転送性を実現する。
• 参考スコア（独自算出の注目度）: 31.200243008831578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal neuroimaging fusion of functional MRI (fMRI) and diffusion tensor imaging (DTI) provides complementary information for cognitive impairment analysis, but remains challenged by heterogeneous feature spaces and misaligned representations. We propose \textit{NeuroAlign}, a hierarchical framework for structured multimodal fusion. It introduces (1) \textit{Dual-Modal Hierarchical Alignment} (DMHA), which models multi-scale dynamic connectivity and aligns dynamic-static and functional-structural embeddings; and (2) \textit{Dual-Domain Hierarchical Interaction} (DDHI), which enables fine-grained modulation and global interaction between connectivity- and region-level features. To support feature-level inspection, we design \textit{Synergistic Activation Mapping} (SAM), a gradient-free, marker-oriented attribution method for DFC, SFC, ALFF, and FA. Evaluated on GUTCM, ADNI, and OASIS under five-fold validation, NeuroAlign achieves competitive MCI/SCD detection and preliminary cross-dataset transferability. Attribution analyses reveal modality-specific and partially consistent brain patterns, providing model-derived evidence for multimodal representation analysis.
• Abstract（参考訳）: 機能的MRI(fMRI)と拡散テンソルイメージング(DTI)の融合は認知障害解析に相補的な情報を提供するが、不均一な特徴空間や不整合表現に悩まされている。 構造化マルチモーダル核融合のための階層的枠組みである「textit{NeuroAlign}」を提案する。 マルチスケールの動的接続をモデル化し,動的および機能的構造的埋め込みを整列する,(1) \textit{Dual-Modal Hierarchical Alignment} (DMHA) ,(2) 接続と領域レベルの機能間の微細な変調とグローバルな相互作用を可能にする,DDHI (Share-Dual-Domain Hierarchical Interaction) を導入している。 特徴レベルの検査を支援するため,DFC,SFC,ALFF,FAのための勾配のないマーカー指向属性法であるtextit{Synergistic Activation Mapping} (SAM) を設計した。 GUTCM、ADNI、OASISを5倍の検証で評価し、NeuroAlignは競合するMCI/SCD検出と予備的データセット転送性を達成する。 属性分析は、モダリティ固有の部分一貫性のある脳パターンを示し、モデル由来のマルチモーダル表現分析の証拠を提供する。

関連論文リスト

• PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
  そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。 PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
  論文  参考訳（メタデータ） (2026-06-01T01:43:48Z)
• Unified Cross-Modal Attention-Mixer Based Structural-Functional Connectomics Fusion for Neuropsychiatric Disorder Diagnosis [17.40353435750778]
  ConneXはマルチモーダル核融合法であり、多層パーセプトロン(MLP)-ミクサーとクロスアテンション機構を統合する。 2つの異なる臨床データセット上での性能向上を示し、提案フレームワークの堅牢性を強調した。
  論文  参考訳（メタデータ） (2025-05-21T05:49:13Z)
• 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-modal Cross-domain Self-supervised Pre-training for fMRI and EEG Fusion [3.8153469790341084]
  ドメイン間でのマルチモーダル情報の相乗化に自己教師付き学習を活用する新しい手法を提案する。 提案手法を利用した大規模事前学習データセットと事前学習MCSPモデルを構築した。 本研究は,fMRIと脳波の融合の著しい進展に寄与し,クロスドメイン機能の統合を図っている。
  論文  参考訳（メタデータ） (2024-09-27T20:25:17Z)
• Integrated Brain Connectivity Analysis with fMRI, DTI, and sMRI Powered by Interpretable Graph Neural Networks [17.063133885403154]
  我々は, 磁気共鳴イメージング, 拡散テンソルイメージング, 構造MRIを結合構造に統合した。 提案手法は,ニューラルネットワークの重み付けにマスキング戦略を導入し,マルチモーダル画像データの総合的アマルガメーションを容易にする。 このモデルは、ヒューマンコネクトームプロジェクト(Human Connectome Project)の開発研究に応用され、若年期のマルチモーダルイメージングと認知機能との関係を明らかにする。
  論文  参考訳（メタデータ） (2024-08-26T13:16:42Z)
• 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)
• HA-HI: Synergising fMRI and DTI through Hierarchical Alignments and Hierarchical Interactions for Mild Cognitive Impairment Diagnosis [10.028997265879598]
  軽度認知障害(MCI)と主観的認知低下(SCD)の診断のための新しい階層的アライメントと階層的相互作用(HA-HI)法を導入する。 HA-HIは、様々な特徴型を整列し、それらの相互作用を階層的に最大化することで、MCIまたはSCD関連の重要な地域および接続特性を効率的に学習する。 提案手法の解釈可能性を高めるために,MCI/SCDを示す重要な脳領域と接続を明らかにするSynergistic Activation Map (SAM) 技術を開発した。
  論文  参考訳（メタデータ） (2024-01-02T12:46:02Z)

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。