Fugu-MT 論文翻訳(概要): NeuroBridge: Bridging Multi-Task MRI Knowledge for Neurodegenerative Disease Diagnosis

論文の概要: NeuroBridge: Bridging Multi-Task MRI Knowledge for Neurodegenerative Disease Diagnosis

arxiv url: http://arxiv.org/abs/2607.01401v1
Date: Wed, 01 Jul 2026 19:03:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-03 19:45:08.561717
Title: NeuroBridge: Bridging Multi-Task MRI Knowledge for Neurodegenerative Disease Diagnosis
Title（参考訳）: NeuroBridge: 神経変性疾患診断のためのマルチタスクMRI知識のブリッジ
Abstract要約: MRIによるアルツハイマー病(AD)、軽度認知障害(MCI)、および関連性認知症の正確な同定は依然として困難である。神経変性疾患診断のためのマルチタスク・フレームワークであるNeuroBridgeを開発した。
参考スコア（独自算出の注目度）: 6.4094392017896356
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: INTRODUCTION: Accurate MRI-based identification of Alzheimer's disease (AD), mild cognitive impairment (MCI), and related dementias remains challenging because disease-related structural changes are often subtle and heterogeneous. We developed NeuroBridge, a clinically guided multi-task MRI framework for neurodegenerative disease diagnosis. METHODS: NeuroBridge integrates large-scale self-supervised MRI pretraining with hippocampal segmentation, hippocampal atrophy classification, and reconstruction objectives, followed by gated fusion fine-tuning. Performance was evaluated across ADNI and OASIS cohorts, including cross-cohort transfer, probability-based analysis, and opportunistic screening. RESULTS: NeuroBridge achieved the highest performance across evaluated classification tasks, reaching 88.17% accuracy for AD versus cognitively normal controls in ADNI and 82.78% in OASIS. The largest gains occurred in MCI-related and mixed-diagnosis settings. The framework demonstrated strong cross-cohort generalization, systematic associations between predicted-class probability and accuracy, and the feasibility of probability-based opportunistic screening. DISCUSSION: Clinically guided multi-task representation learning improves neurodegenerative MRI diagnosis beyond conventional single-task approaches. NeuroBridge provides a robust and scalable framework for dementia assessment and MRI-based opportunistic screening.
Abstract（参考訳）: イントロダクション: アルツハイマー病(AD)、軽度認知障害(MCI)、および関連する認知症の正確な診断は、疾患に関連する構造的変化がしばしば微妙で不均一であることから、依然として困難である。我々は神経変性疾患診断のための臨床ガイド付きマルチタスクMRIフレームワークであるNeuroBridgeを開発した。方法:NeuroBridgeは、海馬のセグメンテーション、海馬の萎縮分類、再建目的と、ゲート融合微調整を併用した大規模な自己教師型MRIを統合する。 ADNIとOASISのコホートにおいて, クロスコホート転送, 確率ベース解析, 機会スクリーニングなどの性能評価を行った。 RESULTS: NeuroBridgeは評価された分類タスクの中で最高のパフォーマンスを達成し、ADの88.17%、ADNIの82.78%、OASISの82.78%の精度を達成した。 MCI関連および混合診断設定で最大の改善がみられた。このフレームワークは、強いクロスコホート一般化、予測クラス確率と精度の体系的関連、および確率ベースの機会スクリーニングの実現可能性を示した。 DISCUSSION: 臨床指導によるマルチタスク表現学習は、従来の単一タスクアプローチ以上の神経変性MRI診断を改善する。 NeuroBridgeは、認知症評価とMRIベースの機会スクリーニングのための堅牢でスケーラブルなフレームワークを提供する。

関連論文リスト

MVMGNN;Multi-View Masked Graph Neural Network for Alzheimer's Disease Diagnosis using Structural MRI [11.728024127077859]
アルツハイマー病(AD)は一般的な神経変性疾患であり、早期診断は疾患の進行を遅らせ、タイムリーな介入を可能にする上で非常に重要である。本稿では,SMRIを用いた多視点マスキンググラフニューラルネットワークモデル(MVMGNN)を提案する。
論文参考訳（メタデータ） (2026-07-08T15:15:25Z)
R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-12-22T02:54:10Z)
Multimodal Fusion of Regional Brain Experts for Interpretable Alzheimer's Disease Diagnosis [42.04444471115401]
アルツハイマー病診断のための多モード地域エキスパートフュージョンモデルMREF-ADを提案する。これは、各モードにおけるメソスケール脳領域を独立した専門家としてモデル化し、2段階のゲーティングネットワークを用いて、主題固有の融合重み付けを学習するフレームワークである。アルツハイマー病神経画像イニシアチブ(ADNI)のデータを用いて、MREF-ADはベースライン上で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-11-30T02:12:12Z)
Accelerating Cerebral Diagnostics with BrainFusion: A Comprehensive MRI Tumor Framework [0.41998444721319217]
磁気共鳴画像(MRI)を用いた脳腫瘍解析の進歩であるBrainFusionについて検討した。我々は,VGG16,ResNet50,Xceptionを含む腫瘍分類のための細調整畳み込みニューラルネットワーク(CNN)を,境界ボックスによる正確な腫瘍局在のためのYOLOv8と組み合わせた。実験の結果, 微調整されたVGG16モデルでは99.86%の精度が達成され, 従来のベンチマークをはるかに上回っていることがわかった。
論文参考訳（メタデータ） (2025-09-29T00:53:17Z)
From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文参考訳（メタデータ） (2025-08-13T17:56:29Z)
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI [1.0439136407307048]
階層型視覚変換器モデルであるSwin Transformerを用いたマルチシェルdMRIデータに基づく分類パイプラインを提案する。 DTIとNODDIの主なメトリクスを抽出し、2次元平面上に投影し、ImageNet-pretrained modelで転送学習を可能にする。診断群予測(認知正常,軽度認知障害,アルツハイマー病認知症,アミロイド状態分類)の枠組みについて検討した。
論文参考訳（メタデータ） (2025-07-14T07:31:40Z)
Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文参考訳（メタデータ） (2025-06-11T23:51:01Z)
NeuroSymAD: A Neuro-Symbolic Framework for Interpretable Alzheimer's Disease Diagnosis [35.4733004746959]
NeuroSymADは、ニューラルネットワークとシンボリック推論を相乗化するための、ニューロシンボリックなフレームワークである。ニューラルネットワークは脳のMRIスキャンを受理し、大きな言語モデルは医療規則を蒸留し、生体マーカーや医療史を推論して象徴的なシステムを導く。
論文参考訳（メタデータ） (2025-03-01T14:29:39Z)
Deep Learning for Early Alzheimer Disease Detection with MRI Scans [1.9806397201363817]
アルツハイマー病は、患者のMRIスキャンと神経心理学的検査の詳細な評価によって診断を必要とする。本研究は,AD診断の精度と効率を向上させるために,既存のディープラーニングモデルと比較する。感度,特異性,計算効率を考慮した厳密な評価を行い,各モデルの強みと弱みを判定する。
論文参考訳（メタデータ） (2025-01-17T07:30:16Z)
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)
GAMER-MRIL identifies Disability-Related Brain Changes in Multiple Sclerosis [0.39809034849104935]
本稿では,全脳定量的MRI(qMRI),畳み込みニューラルネットワーク(CNN),解釈可能性法を用いた新しい総合的アプローチであるGAMER-MRILを提案する。結果: GAMER-MRILはqMRIを用いて重症障害患者を分類し, 移動機能の完全性に重要な脳領域を同定する。
論文参考訳（メタデータ） (2023-08-15T07:43:00Z)
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 Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。