論文の概要: MPP-GNN: Subject-Adaptive Community Detection for fMRI-Based Alzheimer's Disease Classification

• arxiv url: http://arxiv.org/abs/2607.28681v1
• Date: Wed, 29 Jul 2026 21:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.368436
• Title: MPP-GNN: Subject-Adaptive Community Detection for fMRI-Based Alzheimer's Disease Classification
• Title（参考訳）: MPP-GNN:fMRIに基づくアルツハイマー病分類のための主観適応型コミュニティ検出
• Abstract要約: アルツハイマー病の分類のためのメタ確率プールGNN(MPP-GNN)を提案する。 我々は,AD分類のための2つの公開データセット上でMPP-GNNを検証する。
• 参考スコア（独自算出の注目度）: 13.85424142446877
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Functional magnetic resonance imaging (fMRI) is a widely used technique for studying the brain. Recent methods that utilize graph neural networks (GNNs) for analysis of brain functional connectivity have shown great potential for the classification of brain disorders, such as Alzheimer's disease (AD). However, these methods often assume a preset number of functional modules across all subjects, which overlooks inter-subject variability. In addition, the discovered modules are rarely used to directly guide the learned connectivity patterns. Here, to address these issues, we propose a Meta Probabilistic Pooling GNN (MPP-GNN). We frame the model's task as a coupled, bilevel optimization that performs adaptive graph partitioning hierarchically to discover subject-specific modules and then uses the discovered brain modules as an explicit prior to guide edge refinement and representation learning. We validate MPP-GNN on two public datasets for AD classification, achieving the highest AUC in comparison to established baselines for both datasets. Furthermore, our analysis demonstrates that MPP-GNN shows significant alignment with the canonical functional-network organization defined by the Yeo brain atlas and reveals a network-level dedifferentiation pattern for AD.
• Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は脳の研究に広く用いられている技術である。 脳機能接続の分析にグラフニューラルネットワーク(GNN)を用いた最近の手法は、アルツハイマー病(AD)のような脳疾患の分類に大きな可能性を示している。 しかしながら、これらの手法は全ての対象に対して事前設定された機能的加群数を仮定することが多く、対象間の変動性を見落としている。 さらに、発見されたモジュールは、学習した接続パターンを直接ガイドするために使われることは滅多にありません。 本稿では,MPP-GNN(Meta Probabilistic Pooling GNN)を提案する。 我々は、モデルタスクを、適応グラフ分割を階層的に実行し、対象固有のモジュールを発見し、発見された脳のモジュールを、エッジの洗練と表現学習を導くための明示的な事前として使用する、結合されたバイレベル最適化として構成する。 我々は,AD分類のための2つの公開データセット上でMPP-GNNを検証する。 さらに,本研究では,MPP-GNNがYeo脳アトラスによって定義された標準機能ネットワーク組織と有意な整合性を示し,ADのネットワークレベルの分化パターンを明らかにした。

関連論文リスト

• Spectral Graph Neural Networks for Cognitive Task Classification in fMRI Connectomes [0.6372261626436676]
  機械学習を用いた認知タスク分類は、神経画像データから脳状態を復号する上で中心的な役割を果たす。 機械学習と脳ネットワーク解析を統合することで、機能的磁気共鳴イメージングコネクトームから複雑な接続パターンを抽出することができる。 正規化ラプラシア固有分解法を用いて計算したグラフフーリエ変換(GFT)に基づくスペクトル畳み込みフレームワークであるSpectralBrainGNNモデルを提案する。 Human Connectome Project-Taskデータセットの実験では、提案手法の有効性が示され、96.25%の分類精度が達成された。
  論文  参考訳（メタデータ） (2025-12-31T14:54:06Z)
• 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)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Benchmarking Graph Neural Networks for FMRI analysis [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なツールとして登場した。 うつ病と自閉症スペクトラム障害の診断における5つのGNNアーキテクチャの性能について検討・評価を行った。 機能的脳データのための最適グラフ構造を作成することは、GNNの性能を阻害する主要なボトルネックである。
  論文  参考訳（メタデータ） (2022-11-16T14:16:54Z)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification [13.907981019956832]
  我々は、大うつ病(MDD)における脳ネットワークの分類のためのグラフ構造に関する非ユークリッド情報を統合するためのグラフ深層学習フレームワークを提案する。 グラフ畳み込みネットワーク(GCN)に基づく新しいグラフオートエンコーダ(GAE)アーキテクチャを設計し、大規模fMRIネットワークの位相構造とノード内容を低次元潜在表現に埋め込む。 我々の新しいフレームワークは、脳障害の診断に識別情報を提供するために、脳ネットワークにグラフを埋め込むことが可能であることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:12:39Z)
• 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)
• Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
  マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。 本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。 我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
  論文  参考訳（メタデータ） (2021-01-20T20:53:07Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。