論文の概要: MVMGNN;Multi-View Masked Graph Neural Network for Alzheimer's Disease Diagnosis using Structural MRI
- arxiv url: http://arxiv.org/abs/2607.09788v1
- Date: Wed, 08 Jul 2026 15:15:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.194225
- Title: MVMGNN;Multi-View Masked Graph Neural Network for Alzheimer's Disease Diagnosis using Structural MRI
- Title（参考訳）: MRMGNN;Multi-View Masked Graph Neural Network for Alzheimer's Disease Diagnosis using Structure MRI
- Authors: Ni Yao, Zhenxu Wang, Danyang Sun, Chuang Han, Yanting Li, Jiaofen Nan, Fubao Zhu, Chen Zhao, Weihua Zhou,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.728024127077859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Alzheimer's disease (AD) is a common neurodegenerative disorder, and early diagnosis is of great significance for delaying disease progression and enabling timely intervention. Mild cognitive impairment (MCI), which represents an intermediate clinical stage between cognitively normal aging and AD. Structural magnetic resonance imaging (sMRI) provides detailed characterization of anatomical structures and plays an important role in AD-related brain analysis. However, existing sMRI-based brain network methods typically rely on a single graph construction strategy, limiting their ability to jointly capture spatial relationships and morphological similarities between brain regions. To address these issues, this paper proposes an sMRI-based multi-view masked graph neural network model (MVMGNN) for AD diagnosis. A joint node-edge masking mechanism is proposed to simultaneously select radiomics feature dimensions and structural connections, reducing redundancy during graph learning. Furthermore, a patient-level cross-view gated fusion mechanism is proposed to integrate multi-view representations. Experimental results on the ADNI dataset demonstrate that MVMGNN outperforms several competing approaches in AD classification. Interpretability analysis further demonstrates that MVMGNN is able to identify key brain regions associated with AD, providing useful insights into discriminative patterns in sMRI-based brain networks.Our implementation is publicly available at https://github.com/chenzhao2023/MVMGNN_AD
- Abstract（参考訳）: 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。
軽度認知障害(MCI)は、認知学的に正常な老化とADの中間的な臨床段階を表す。
構造磁気共鳴イメージング(sMRI)は解剖学的構造を詳細に解析し、AD関連脳解析において重要な役割を担っている。
しかし、既存のsMRIベースの脳ネットワーク手法は、通常、単一のグラフ構築戦略に依存し、脳領域間の空間的関係と形態的類似性を共同で捉える能力を制限する。
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。
共同ノードエッジマスキング機構を提案し, 放射能の特徴次元と構造的接続を同時に選択し, グラフ学習時の冗長性を低減した。
さらに,マルチビュー表現を統合するために,患者レベルのクロスビューゲート融合機構を提案する。
ADNIデータセットの実験結果から、MVMGNNはAD分類においていくつかの競合するアプローチよりも優れていることが示された。
解釈可能性分析により、MVMGNNはADに関連する重要な脳領域を同定でき、sMRIベースの脳ネットワークにおける識別パターンに関する有用な洞察を提供する。
関連論文リスト
- GMN4AD: Graph Matching Network for Alzheimer's Disease Diagnosis with Test-Time Domain Adaptation using Multi-centered Structure Magnetic Resonance Imaging [8.815323991379818]
アルツハイマー病診断のためのグラフマッチングネットワーク(GMN4AD)を提案する。
神経画像データから得られる異種脳グラフ間の相互作用をモデル化するように設計されている。
最先端の手法に比べて優れた性能を実現し、AD診断のための堅牢で一般化可能なソリューションを提供する。
論文 参考訳（メタデータ） (2026-06-11T21:16:06Z) - 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) - 4D Multimodal Co-attention Fusion Network with Latent Contrastive Alignment for Alzheimer's Diagnosis [24.771496672135395]
M2M-AlignNet: 早期アルツハイマー病診断のための遅延アライメントを有する幾何認識型コアテンションネットワークを提案する。
提案手法のコアとなるマルチパッチ・マルチパッチ(M2M)コントラスト損失関数は,表現の相違を定量化し,低減する。
提案手法の有効性を確認し,ADバイオマーカーとしてfMRIとsMRIの対応性を強調した。
論文 参考訳（メタデータ） (2025-04-23T15:18:55Z) - Multi-Scale Graph Theoretical Analysis of Resting-State fMRI for Classification of Alzheimer's Disease, Mild Cognitive Impairment, and Healthy Controls [0.0]
アルツハイマー病(英語: Alzheimer's disease、AD)は、記憶喪失と認知低下を特徴とする神経変性疾患である。
ピアソンの相関のような伝統的な手法は相関行列を計算するために使われてきた。
本稿では、離散ウェーブレット変換(DWT)とグラフ理論を統合し、脳ネットワークの動的挙動をモデル化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-09-06T07:26:14Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - 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) - MEDUSA: Multi-scale Encoder-Decoder Self-Attention Deep Neural Network
Architecture for Medical Image Analysis [71.2022403915147]
医用画像解析に適したマルチスケールエンコーダデコーダ自己保持機構であるMEDUSAを紹介する。
我々は、COVIDx、RSNA RICORD、RSNA Pneumonia Challengeなどの医療画像分析ベンチマークの最先端性能を得た。
論文 参考訳（メタデータ） (2021-10-12T15:05:15Z) - 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。