論文の概要: BrainRiem: Riemannian Prototype Learning for Source-Free Cross-Site Brain Network Diagnosis
- arxiv url: http://arxiv.org/abs/2606.29200v1
- Date: Sun, 28 Jun 2026 04:59:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.830893
- Title: BrainRiem: Riemannian Prototype Learning for Source-Free Cross-Site Brain Network Diagnosis
- Title(参考訳): BrainRiem: ソースフリーのクロスサイト脳ネットワーク診断のためのリーマン型学習
- Abstract要約: BrainRiemは、コンパクトなリーマン脳のプロトタイプを学ぶ、ソースフリーのドメイン適応フレームワークである。
ABIDEとREST-meta-MDDの実験では、BrainRiemは最先端のソースフリー、従来型、グラフドメイン適応メソッドを一貫して上回っている。
- 参考スコア(独自算出の注目度): 1.8262547855491456
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-site functional MRI (fMRI) studies are essential for robust neuropsychiatric diagnosis yet suffer severe domain shifts from scanner heterogeneity, demographics, and site-specific acquisition protocols. Traditional domain adaptation requires concurrent source and target data access, violating clinical privacy regulations. Moreover, functional connectivity matrices lie on the Symmetric Positive Definite (SPD) manifold, where Euclidean operations cause geometric distortions corrupting diagnostic patterns. We propose BrainRiem, a source-free domain adaptation framework learning compact Riemannian brain prototypes via manifold-aware bi-level optimization. It employs the Log-Euclidean Metric to ensure prototypes remain valid SPD matrices, while Dirichlet Energy spectral calibration aligns their frequency characteristics with real brain networks. Only anonymized prototypes are transmitted to target sites, serving as stable anchors for training local models without source data access and reducing leakage under the evaluated attacks. Comprehensive experiments on ABIDE and REST-meta-MDD show BrainRiem consistently outperforms state-of-the-art source-free, traditional, and graph domain adaptation methods across diverse scanners and demographics. Notably, learned prototypes exhibit biologically interpretable connectivity patterns aligning with established neuroscience findings, validating the necessity of Riemannian geometry for brain network analysis.
- Abstract(参考訳): マルチサイト機能MRI(Multi-site functional MRI)研究は、堅牢な神経精神医学診断には不可欠であるが、スキャナーの不均一性、人口統計学、サイト固有の取得プロトコルから厳しいドメインシフトを被る。
従来のドメイン適応には、同時ソースとターゲットデータアクセスが必要で、臨床プライバシ規則に違反している。
さらに、関数接続行列は対称正定値(SPD)多様体の上にあり、ユークリッド演算は幾何学的歪みを引き起こし、診断パターンを劣化させる。
本稿では、コンパクトなリーマン脳のプロトタイプを、多様体を意識したバイレベル最適化により学習する、ソースフリーなドメイン適応フレームワークBrainRiemを提案する。
ディリクレ・エナジーのスペクトルキャリブレーションは実際の脳ネットワークと周波数特性を一致させながら、プロトタイプが有効なSPD行列を維持するためにLog-Euclidean Metricを使用している。
匿名化されたプロトタイプのみがターゲットサイトへ送信され、ソースデータにアクセスせずにローカルモデルをトレーニングするための安定したアンカーとして機能し、評価された攻撃によるリークを減らす。
ABIDEとREST-meta-MDDに関する総合的な実験によると、BrainRiemは、さまざまなスキャナーや人口統計学にわたって、最先端のソースフリー、伝統的、グラフドメイン適応メソッドを一貫して上回っている。
特に、学習されたプロトタイプは、確立された神経科学の発見と整合した生物学的に解釈可能な接続パターンを示し、脳ネットワーク解析にリーマン幾何学が必要であることを検証している。
関連論文リスト
- Continual Learning for fMRI-Based Brain Disorder Diagnosis via Functional Connectivity Matrices Generative Replay [29.68388420763425]
異種臨床現場におけるfMRIによる診断に特化して設計された最初の連続学習フレームワークを提案する。
本フレームワークでは,患者群と制御群の両方で現実的なFC行列を合成する構造対応変分オートエンコーダを提案する。
重度抑うつ障害(MDD)、統合失調症(SZ)、自閉症スペクトラム障害(ASD)に対する多地点データセットの実験は、提案した生成モデルがデータ拡張品質を向上させることを示す。
論文 参考訳(メタデータ) (2026-04-15T16:08:52Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳(メタデータ) (2025-10-05T12:35:01Z) - SPD Learning for Covariance-Based Neuroimaging Analysis: Perspectives, Methods, and Challenges [41.955864444491965]
ニューロイメージングは、モダリティを越えた接続パターンと機能的アーキテクチャを定量化することによって、脳活動の特徴付けのための重要なフレームワークを提供する。
現代の機械学習は、これらのデータセットを通してニューラル処理機構の理解を大幅に進歩させてきた。
本稿では、共分散に基づくニューロイメージングデータに対する機械学習アプローチに焦点を当て、チャネル間関係を符号化したフルランク条件下での対称正定値行列について述べる。
論文 参考訳(メタデータ) (2025-04-26T10:05:04Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with
Graph Neural Networks [28.460737693330245]
我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。
TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。
2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
論文 参考訳(メタデータ) (2022-11-01T03:59:54Z) - FAST-AID Brain: Fast and Accurate Segmentation Tool using Artificial
Intelligence Developed for Brain [0.8376091455761259]
ヒト脳の132領域への高速かつ正確なセグメンテーションのための新しい深層学習法を提案する。
提案モデルは、効率的なU-Netライクなネットワークと、異なるビューと階層関係の交差点の利点を利用する。
提案手法は,画像の事前処理や性能低下を伴わずに頭蓋骨や他の人工物を含む脳MRIデータに適用することができる。
論文 参考訳(メタデータ) (2022-08-30T16:06:07Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [5.200461964737113]
静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。
本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。
我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
論文 参考訳(メタデータ) (2020-08-27T23:43:56Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳(メタデータ) (2020-07-10T14:01:20Z)
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。