論文の概要: Latent graph encoding of multimodal neuroimaging features with generative AI architectures

• arxiv url: http://arxiv.org/abs/2607.07027v1
• Date: Wed, 08 Jul 2026 05:50:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.28798
• Title: Latent graph encoding of multimodal neuroimaging features with generative AI architectures
• Title（参考訳）: 生成型AIアーキテクチャを用いた多モードニューロイメージング特徴の潜時グラフ符号化
• Authors: Ishaan Batta, Meenu Ajith, Vince Calhoun,
• Abstract要約: 構造的および機能的磁気共鳴イメージング(MRI)機能のための多モード生成フレームワークを設計する。 本研究では,可変オートエンコーダ(VAE),トランスフォーマー,GAN(Generative Adversarial Network),拡散モデルを含む生成フレームワークを解析する。 提案したマルチモーダルグラフVAE (gMMVAE) は, 生成忠実度, 再構成品質, 効率, 潜時空間識別性など, 様々な指標にまたがる代替生成変種を超越している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While generative models enable encoding of complex neuroimaging data for feature generation and reconstruction, developing optimal architectural frameworks with appropriate encoding and latent space processes is crucial for studying structural and functional properties of the brain. We design a multimodal generative framework for structural and functional magnetic resonance imaging (MRI) features through systematic evaluation of encoding strategies, latent multimodal fusion, and generative model selection. Using structural gray matter volume (GMV) and static functional network connectivity (sFNC) features from a large neuroimaging dataset, we analyze generative frameworks involving variational autoencoders (VAEs), transformers, generative adversarial networks (GANs), and diffusion models. Architectures that employ modality-aware graph encoding of functional connectivity into a lower-dimensional latent space outperform vectorized encoders or direct data space approaches. The proposed multimodal graph VAE (gMMVAE) surpasses alternative generative variants across multiple metrics for generation fidelity, reconstruction quality, efficiency, and latent space discriminability, highlighting its potential for robust multimodal neuroimaging analysis.
• Abstract（参考訳）: 生成モデルは、特徴生成と再構成のための複雑なニューロイメージングデータのエンコーディングを可能にするが、適切なエンコーディングと潜時空間プロセスを持つ最適なアーキテクチャフレームワークを開発することは、脳の構造的および機能的特性を研究する上で重要である。 我々は、符号化戦略、潜在多重モード融合、生成モデル選択の体系的評価により、構造的および機能的磁気共鳴イメージング(MRI)機能のための多モード生成フレームワークを設計する。 構造的灰色の物質量(GMV)と、大きなニューロイメージングデータセットからの静的機能的ネットワーク接続(sFNC)機能を用いて、可変オートエンコーダ(VAE)、トランスフォーマー、生成的対向ネットワーク(GAN)、拡散モデルを含む生成フレームワークを解析する。 関数接続のモダリティ対応グラフ符号化を用いるアーキテクチャは、ベクトル化エンコーダや直接データ空間アプローチよりも低次元の潜在空間に優れる。 提案したマルチモーダルグラフVAE(gMMVAE)は、生成忠実度、再構成品質、効率性、潜時空間の識別性など、複数の指標にまたがる代替生成変種を超越し、堅牢なマルチモーダル・ニューロイメージング解析の可能性を強調している。

関連論文リスト

• BrainSymphony: A Transformer-Driven Fusion of fMRI Time Series and Structural Connectivity [2.3486335708866606]
  BrainSymphonyは、ニューロイメージングのための軽量でパラメータ効率の良い基礎モデルである。 かなり小さなパブリックデータセットで事前トレーニングされた状態で、最先端のパフォーマンスを実現する。 BrainSymphonyは、アーキテクチャを意識したマルチモーダルモデルがより大きなモデルを上回る可能性があることを証明している。
  論文  参考訳（メタデータ） (2025-06-23T06:00:21Z)
• GM-LDM: Latent Diffusion Model for Brain Biomarker Identification through Functional Data-Driven Gray Matter Synthesis [4.336463644962463]
  本研究では,遅延拡散モデル(LDM)を利用してMRI生成タスクの効率と精度を向上させる新しいフレームワークであるGM-LDMを紹介する。 GM-LDMは、大規模なABCD MRIデータセットで事前訓練された3Dオートエンコーダを統合し、KL分散損失による統計的一貫性を達成する。 このフレームワークは、機能的ネットワーク接続(FNC)データなどの条件データを柔軟に組み込んで、パーソナライズされた脳画像、バイオマーカーの識別、統合失調症のような脳疾患のための機能的構造情報翻訳を可能にする。
  論文  参考訳（メタデータ） (2025-06-15T04:51:31Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
  ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたソフトウェアスパイクニューラルネットワークシミュレータである。 得られた結果が,ソフトウェアでトレーニングされたスパイクニューラルネットワークの動作を,かつてハードウェアにデプロイされた場合の信頼性の高い推定方法を示す。
  論文  参考訳（メタデータ） (2024-09-23T11:16:46Z)
• 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)
• Hierarchical Spatio-Temporal State-Space Modeling for fMRI Analysis [1.89314691075208]
  実験結果から,脳の分類と回帰作業におけるFST-Mambaモデルの有効性が示唆された。 我々の研究は、脳発見における注意のないシーケンスモデリングの可能性を明らかにしている。
  論文  参考訳（メタデータ） (2024-08-23T13:58:14Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• 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)
• Spatial Dependency Networks: Neural Layers for Improved Generative Image Modeling [79.15521784128102]
  画像生成装置(デコーダ)を構築するための新しいニューラルネットワークを導入し、可変オートエンコーダ(VAE)に適用する。 空間依存ネットワーク(sdns)では、ディープニューラルネットの各レベルにおける特徴マップを空間的にコヒーレントな方法で計算する。 空間依存層による階層型vaeのデコーダの強化は密度推定を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-03-16T07:01:08Z)

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。