Fugu-MT 論文翻訳(概要): An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI

論文の概要: An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI

arxiv url: http://arxiv.org/abs/2607.26746v1
Date: Wed, 29 Jul 2026 10:38:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 21:06:25.628472
Title: An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI
Title（参考訳）: 安静時fMRIを用いたアルツハイマー病分類のための注意ベースフレームワーク
Abstract要約: 本稿では RS-fMRI 機能接続行列を直接操作するアルツハイマー病分類のための注意に基づくディープラーニングフレームワークを提案する。提案するフレームワークは,手動の特徴工学に頼らずに識別的機能表現を学習する。 2値ADと認知正常分類の実験的結果は、提案した注目に基づくrs-fMRIモデルが88.95%の精度を達成していることを示している。
参考スコア（独自算出の注目度）: 1.894929827307141
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate identification of Alzheimers disease (AD) using resting-state functional magnetic resonance imaging (rs-fMRI) remains challenging due to the high dimensionality, noise, and complex inter-regional dependencies inherent in functional brain connectivity, which limit the effectiveness of traditional approaches based on handcrafted connectivity features or conventional machine learning models. In this work, we present an attention-based deep learning framework for Alzheimers disease classification that operates directly on rs-fMRI functional connectivity matrices by treating brain regions as tokens and employing a Transformer-inspired self-attention mechanism to model long-range and global functional dependencies across distributed brain networks. The proposed framework learns discriminative functional representations without reliance on manual feature engineering and is evaluated on a longitudinal cohort from the Alzheimers Disease Neuroimaging Initiative (ADNI) comprising cognitively normal and Alzheimers disease subjects with multiple visits. A subject-wise evaluation protocol is adopted to prevent information leakage across visits, and class-weighted optimization is incorporated to address mild class imbalance. Experimental results for binary AD versus cognitively normal classification demonstrate that the proposed attention- based rs-fMRI model achieves an accuracy of 88.95% and a ROC-AUC of 0.90, along with a favorable precision-recall balance, highlighting the effectiveness of self-attention-driven functional connectivity modeling as a robust and interpretable approach for Alzheimers disease detection using resting-state fMRI.
Abstract（参考訳）: 安静時機能的磁気共鳴画像(rs-fMRI)を用いたアルツハイマー病(AD)の正確な同定は、機能的脳接続に固有の高次元性、ノイズ、複雑な領域間依存関係のため、手作りの接続機能や従来の機械学習モデルに基づく従来のアプローチの有効性を制限しているため、依然として困難である。本研究では,脳領域をトークンとして扱い,Transformerにインスパイアされた自己認識機構を用いて,分散脳ネットワーク全体にわたる長距離およびグローバルな機能的依存関係をモデル化することにより,rs-fMRI機能的接続行列を直接操作するアルツハイマー病分類のための注意ベースのディープラーニングフレームワークを提案する。提案フレームワークは,手動の特徴工学に依存しない識別機能表現を学習し,認知正常およびアルツハイマー病患者を複数回訪問するアルツハイマー病神経画像イニシアチブ(ADNI)の縦コホートで評価する。訪問先間での情報漏洩を防止するために主観評価プロトコルが採用され、軽度のクラス不均衡に対応するためにクラス重み付け最適化が組み込まれている。 2値ADと認知正常分類の実験的結果は、提案した注意ベースrs-fMRIモデルが88.95%の精度、ROC-AUCが0.90の精度で達成され、また、保留状態fMRIを用いたアルツハイマー病検出のための堅牢かつ解釈可能なアプローチとしての自己注意駆動機能接続モデルの有効性を強調した。

関連論文リスト

Four-Stage Alzheimer's Disease Classification from MRI Using Topological Feature Extraction, Feature Selection, and Ensemble Learning [0.8374077003751697]
TDA-Alzは、トポロジカルデータ分析とアンサンブル学習を用いた4段階アルツハイマー病重症度分類のための新しいフレームワークである。精度は98.19%、AUCは99.75%で、データセットで報告された最先端のディープラーニングベースの手法よりも優れているか、あるいは適合している。
論文参考訳（メタデータ） (2026-01-01T07:44:51Z)
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)
Deep Learning Approaches with Explainable AI for Differentiating Alzheimer Disease and Mild Cognitive Impairment [0.0]
アルツハイマー病の早期かつ正確な診断は、効果的な臨床介入に重要である。構造的磁気共鳴画像を用いたアルツハイマー病分類のためのハイブリッドディープラーニングアンサンブルフレームワークを提案する。
論文参考訳（メタデータ） (2025-09-27T16:17:14Z)
Cross-modal Causal Intervention for Alzheimer's Disease Prediction [13.584994367762398]
アルツハイマー病診断のためのCross-modal Causal Intervention with Mediator (MediAD) という視覚言語因果性に着想を得たフレームワークを提案する。我々の枠組みは、統一因果介入法により、観測可能・観測不可能な共同創設者の効果を暗黙的に緩和する。
論文参考訳（メタデータ） (2025-07-18T14:21:24Z)
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)
Generative forecasting of brain activity enhances Alzheimer's classification and interpretation [16.09844316281377]
静止状態機能型磁気共鳴イメージング(rs-fMRI)は、神経活動を監視する非侵襲的な方法を提供する。深層学習はこれらの表現を捉えることを約束している。本研究では,データ拡張の一形態として,rs-fMRIから派生した独立成分ネットワークの時系列予測に着目した。
論文参考訳（メタデータ） (2024-10-30T23:51:31Z)
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)
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)
Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification [42.82118108887965]
総合的な脳コネクトームの構築は、静止状態fMRI(rs-fMRI)解析において基本的な重要性が証明されている。我々は脳ネットワークを有向非循環グラフ(DAG)としてモデル化し、脳領域間の直接因果関係を発見する。本研究では,効率的な接続性を推定し,rs-fMRI時系列を分類するために,時空間DAG畳み込みネットワーク(ST-DAGCN)を提案する。
論文参考訳（メタデータ） (2023-12-16T04:31:51Z)
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)
Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文参考訳（メタデータ） (2023-05-18T06:54:56Z)
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。