論文の概要: Alzheimer's Disease Diagnosis using a Multimodal Approach with 3D MRI and PET

• arxiv url: http://arxiv.org/abs/2606.20037v1
• Date: Thu, 18 Jun 2026 10:11:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.789761
• Title: Alzheimer's Disease Diagnosis using a Multimodal Approach with 3D MRI and PET
• Title（参考訳）: 3次元MRIとPETを用いたマルチモーダルアプローチによるアルツハイマー病の診断
• Authors: Loukas Ilias, Anthi-Maria Vozinaki, Christos Ntanos, Dimitris Askounis,
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、不可逆的な神経変性疾患であり、世界中の死因である。 磁気共鳴イメージング(MRI)やポジトロン・エミッション・トモグラフィ(PET)スキャンのようなニューロイメージングデータは、疾患に関連する構造的、機能的な脳変化を提供することで、早期に脳の変化を検出するのに役立つ。 しかし、多くのマルチモーダルモデルは依然としてMRIとPETを静的な結合で融合させ、全ての被験者に同じ計算を適用している。 本稿では, 3次元畳み込み特徴抽出器と3つの融合戦略(連結, Gated Multimodal Unit, GMU, ゲート自己注意)を組み合わせるための最初の研究について述べる。
• 参考スコア（独自算出の注目度）: 8.600348180154592
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Alzheimer's disease (AD) is an irreversible neurodegenerative disorder and a leading cause of death worldwide. Early diagnosis plays an important part especially at the Mild Cognitive Impairment stage, where timely intervention can help slow its progression before it advances to AD. Neuroimaging data, like Magnetic Resonance Imaging (MRI) and Positron Emission Tomography (PET) scans, can help detect brain changes early by providing structural and functional brain changes related to the disease. Yet, many multimodal models still fuse MRI and PET with static concatenation and apply identical computation to all subjects, which limits robustness to patient/site heterogeneity and can waste computation. To address these limitations, we present the first study of combining 3D convolutional feature extractors with three fusion strategies - concatenation, Gated Multimodal Unit (GMU), and gated self-attention - and a sparsely gated Mixture-of-Experts (MoE) classifier that performs input-adaptive routing, activating only the most informative experts per case. Finally, we utilize Grad-CAM to visualize disease-related regions, ensuring model interpretability. Experiments are performed across three binary classification tasks (NC vs. MCI, MCI vs. AD, and NC vs. AD). Results show that GMU achieves accuracies of 80.46 % (NC vs. MCI) and 95.47 % (NC vs. AD), while gated self-attention attains 82.08 % on MCI vs. AD. Ablations show that removing the MoE consistently degrades accuracy across all tasks. These findings underscore the value of input-adaptive, multimodal modeling for AD diagnosis by leveraging the complementary nature of MRI and PET.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、不可逆的な神経変性疾患であり、世界中の死因である。 早期診断は、特に軽度認知障害の段階において重要な役割を担っている。 磁気共鳴イメージング(MRI)やポジトロン・エミッション・トモグラフィ(PET)スキャンのようなニューロイメージングデータは、疾患に関連する構造的、機能的な脳変化を提供することで、早期に脳の変化を検出するのに役立つ。 しかし、多くのマルチモーダルモデルは、MRIとPETを静的な結合で融合させ、全ての被験者に同じ計算を適用し、患者/部位の不均一性に頑健さを制限し、計算を無駄にすることができる。 これらの制約に対処するために,3次元畳み込み特徴抽出器と3つの融合戦略 – 連結, Gated Multimodal Unit (GMU), ゲート型自己注意 – と,入力適応型ルーティングを行う疎結合型Mixture-of-Experts (MoE)分類器を組み合わせた最初の研究を行った。 最後に,Grad-CAMを用いて疾患関連領域を可視化し,モデル解釈性を確保する。 3つのバイナリ分類タスク(NC vs. MCI, MCI vs. AD, NC vs. AD)で実験を行った。 その結果, GMU は 80.46 % (NC vs. MCI), 95.47 % (NC vs. AD), ゲート自己注意は 82.08% % (MCI vs. AD) であることがわかった。 アブレーションによると、MoEの削除はすべてのタスクで常に精度を低下させる。 以上の結果から,MRIとPETの相補性を利用したAD診断における入力適応型マルチモーダルモデリングの有用性が示唆された。

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)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis [2.220152876549942]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、世界の神経変性疾患の一つ。 EffNetViTLoRA は Alzheimer's Disease Neuroimaging Initiative (ADNI) Magnetic Resonance Imaging (MRI) データセットを用いたAD診断のエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2025-08-26T18:22:28Z)
• Cross-Attention Fusion of MRI and Jacobian Maps for Alzheimer's Disease Diagnosis [5.955559082904072]
  アルツハイマー病分類におけるsMRI強度とJSM由来の変形の関係をモデル化するクロスアテンション融合フレームワークを提案する。 ROC-AUCスコアはAD対認知正常(CN)、0.692は軽度認知障害(MCI)、CNは平均0.903である。 性能は高いが、我々のモデルは依然として非常に効率的であり、パラメータはわずか156万で、ResNet-34 (63M) と Swin UNETR (61.98M) の40倍以上である。
  論文  参考訳（メタデータ） (2025-03-01T18:50:46Z)
• GFE-Mamba: Mamba-based AD Multi-modal Progression Assessment via Generative Feature Extraction from MCI [5.834776094182435]
  アルツハイマー病(英語: Alzheimer's Disease、AD)は、軽度認知障害(MCI)に由来する進行性で不可逆的な神経変性疾患である。 GFE-Mambaモデルは、MCIからADへの進行を効果的に予測し、この分野におけるいくつかの主要な手法を超える。
  論文  参考訳（メタデータ） (2024-07-22T15:22:33Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)
• Unsupervised Anomaly Detection using Aggregated Normative Diffusion [46.24703738821696]
  教師なし異常検出は、より広い範囲の異常を識別する可能性がある。 既存の最先端のUADアプローチは、様々な種類の異常に対してうまく一般化しない。 Aggregated Normative Diffusion (ANDi) という新しいUAD法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T14:02:56Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)

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。