論文の概要: Artemis: Anatomy-Resolved inTervention for Eliminating Multimodal NeuroImage confounderS
- arxiv url: http://arxiv.org/abs/2606.18287v1
- Date: Wed, 10 Jun 2026 05:10:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.793232
- Title: Artemis: Anatomy-Resolved inTervention for Eliminating Multimodal NeuroImage confounderS
- Title（参考訳）: Artemis:マルチモーダル・ニューロ画像の共同創設者を排除するための解剖学的解決インターベンション
- Authors: Siyuan Dai, Yang Du, Kun Zhao, Zhusuyi Chen, Heng Huang, Paul Thompson, Chao Shi, Haoteng Tang, Liang Zhan,
- Abstract要約: マルチモーダル・ニューロイメージングは、グラフニューラルネットワークを用いた脳ネットワークの非侵襲的解析を可能にする。
年齢や性別などの人口統計学的要因は、脳の接続性と臨床結果の関係を体系的に理解している。
本稿では,各脳領域における因果的介入によってこのギャップを橋渡しする領域レベルの因果的枠組みであるArtemisを提案する。
- 参考スコア（独自算出の注目度）: 39.37223141220675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal neuroimaging, integrating functional connectivity from fMRI and structural connectivity from DTI, enables non-invasive analysis of brain networks using graph neural networks. However, demographic factors such as age and sex systematically confound the relationship between brain connectivity and clinical outcomes, causing GNNs to exploit spurious shortcuts rather than learning causally invariant representations. While recent causal GNN methods introduce causality at the graph-modeling level, their causal mechanisms remain domain-agnostic without accounting for the real-world confounders inherent in clinical neuroimaging data. Moreover, brain networks are constructed from atlas-based parcellations where each region exhibits distinct sensitivity to demographic factors, necessitating region-aware adjustment. We propose Artemis, a region-level causal framework that bridges this gap with causal intervention at each brain region independently by learning region-specific confounder representations with lightweight parameters. Our adjustment comprehensively utilized the multimodal functional and structural features for graph reasoning as a plug-in module compatible with arbitrary GNN backbones. Experiments on three benchmarks, ADNI for disease diagnosis, OASIS for dementia staging, and HCP for sex classification, demonstrate consistent improvements over representative GNN-based baselines. Multiple supporting experiments further demonstrate statistical significance and neuroscientific interpretability.
- Abstract（参考訳）: マルチモーダル・ニューロイメージングは、fMRIからの機能的接続とDTIからの構造的接続を統合することで、グラフニューラルネットワークを用いた脳ネットワークの非侵襲的解析を可能にする。
しかし、年齢や性別などの人口統計学的要因は、脳の接続性と臨床結果の関係を体系的に理解し、GNNは因果的に不変な表現を学ぶのではなく、急激なショートカットを利用することになった。
最近の因果GNN法は、グラフモデリングレベルで因果性を導入するが、その因果メカニズムは、臨床神経画像データに固有の実世界の共同創設者を考慮せずに、ドメインに依存しないままである。
さらに、脳ネットワークは、各領域が人口統計学的要因に対して異なる感受性を示すアトラスに基づくパーセレーションから構築される。
本稿では,このギャップを各脳領域の因果的介入によって埋める領域レベルの因果的枠組みであるArtemisを提案する。
本調整では,任意のGNNバックボーンと互換性のあるプラグインモジュールとして,グラフ推論のマルチモーダル機能および構造的特徴を包括的に利用した。
診断のためのADNI、認知症ステージングのためのOASIS、性分類のためのHCPの3つのベンチマーク実験では、代表的GNNベースラインよりも一貫した改善が示された。
複数の支援実験は、さらに統計的意義と神経科学的な解釈可能性を示す。
関連論文リスト
- Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。
従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。
本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。
我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
論文 参考訳（メタデータ） (2025-10-02T19:38:46Z) - Hyperbolic Kernel Graph Neural Networks for Neurocognitive Decline Analysis from Multimodal Brain Imaging [22.883290184028738]
本稿では,マルチモーダル・ニューロイメージングを用いた神経認知下降解析のためのハイパーボリックカーネルグラフ融合フレームワークを提案する。
マルチモーダルグラフ構築モジュール、双曲空間で脳グラフを符号化するグラフ表現学習モジュール、下流予測のための双曲ニューラルネットワークで構成される。
論文 参考訳（メタデータ） (2025-06-24T13:16:37Z) - Parsing altered brain connectivity in neurodevelopmental disorders by integrating graph-based normative modeling and deep generative networks [1.2115617129203957]
神経型接続パターンからの分岐の定量化は、診断と治療の介入を知らせる有望な経路を提供する。
本稿では,生物にインスパイアされた深層生成モデルと規範的モデリングを統合したBRIDGEフレームワークによる脳表現について述べる。
BRIDGEは、接続ベースの脳年齢と時間年齢の違いに基づくグローバルなニューロディバージェンススコアと、局所的な接続性の違いを強調する地域的なニューロディバージェンスマップを提供する。
論文 参考訳（メタデータ） (2024-10-14T20:21:11Z) - 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) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
論文 参考訳（メタデータ） (2020-10-14T15:01:21Z) - Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis [29.489129970039873]
健全な領域を特定するための有望なアプローチは、グラフニューラルネットワーク(GNN)を使用することである。
本稿では,障害に関連する神経学的脳バイオマーカーを決定するために,新しい領域選択機構を備えた解釈可能なGNNフレームワークを提案する。
本稿では,バイオポイント自閉症スペクトラム障害 (ASD) fMRIデータセットにPR-GNNフレームワークを適用した。
論文 参考訳（メタデータ） (2020-07-29T04:19:36Z)
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。