論文の概要: Graph-Based Approaches to Learning Epileptogenic Zone Localization Using Stereo-EEG Recordings
- arxiv url: http://arxiv.org/abs/2608.18887v1
- Date: Wed, 19 Aug 2026 13:14:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.404654
- Title: Graph-Based Approaches to Learning Epileptogenic Zone Localization Using Stereo-EEG Recordings
- Title（参考訳）: ステレオEEG記録を用いた脳原性領域の局所化学習へのグラフベースアプローチ
- Abstract要約: てんかん原性領域 (EZ) は、個々のてんかんを引き起こす脳の領域であり、てんかん手術の標的である。
グラフトポロジが40例の静止状態sEEGからのEZ局在に与える影響について検討した。
- 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: The epileptogenic zone (EZ) is the brain region that generates seizures in an individual, and is the target of epilepsy surgery. Localizing the EZ from stereo-EEG (sEEG) recordings supports surgical planning, but manual interpretation is time-consuming and focuses on seizure recordings. Graphical learning models of resting-state functional connectivity among the recorded brain regions are an attractive alternative, but depend crucially on the network topology chosen for the model. We present a controlled study of graph-based models to explore how graph topology affects EZ localization from resting-state sEEG in 40 patients. Using the same simple learnable model and leave-one-patient-out evaluation, we compare dense graphs, anatomy- and geometry-informed priors, budgeted sparsification methods, and learned sparsification, including the proposed Region-Bridge-$c$ topology. To compare graph constructions fairly, we control the number of incoming edges per node and vary graph sparsity. At $\approx 30\%$ edge retention, Region-Bridge-$c$ achieves the highest observed mean PR-AUC ($0.371\pm0.015$; ROC-AUC $0.743\pm0.010$) while using $\approx 69\%$ fewer edges than Dense (PR-AUC $0.349\pm0.014$). Spatial-$k$ is competitive, whereas random pruning requires near-dense retention. Learned sparsification benefits from anatomical node metadata but, on average, does not surpass the best fixed prior. Across all topologies, the best choice varies by patient. These results suggest that graph construction should be evaluated explicitly rather than treated as fixed preprocessing.
- Abstract（参考訳）: てんかん原性領域 (EZ) は、個々のてんかんを引き起こす脳の領域であり、てんかん手術の標的である。
ステレオEEG(sEEG)記録からのEZのローカライズは外科的計画を支援するが、手動による解釈は時間がかかり、発作記録に焦点を当てる。
記録された脳領域間の静止状態機能接続のグラフィカルラーニングモデルは、魅力的な代替手段であるが、モデルに選択されたネットワークトポロジに大きく依存する。
グラフトポロジが40例の安静時sEEGからのEZ局在に与える影響について検討した。
同じ単純な学習可能なモデルと患者1人のアウト評価を用いて、高密度グラフ、解剖学的および幾何学的インフォームド前駆体、予算化されたスパーシフィケーション法、および提案したリージョンブリッジ-$c$トポロジーを含むスペーシフィケーションを学習した。
グラフ構造を公平に比較するため,ノード毎のエッジ数とグラフ間隔の変化を制御した。
AUC $0.743\pm0.010$; ROC-AUC $0.743\pm0.010$; for $\approx 69\%$ less edges than Dense (PR-AUC $0.349\pm0.014$; PR-AUC $0.349\pm0.014$)。
空間$kは競争力があるが、ランダムプルーニングは近距離保持を必要とする。
学習されたスパーシフィケーションは、解剖学的ノードメタデータから恩恵を受けるが、平均的には、最高の固定前値を超えない。
すべてのトポロジにおいて、最良の選択は患者によって異なります。
これらの結果から,グラフ構築は固定前処理として扱われるのではなく,明示的に評価されるべきであることが示唆された。
関連論文リスト
- A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Towards Explainable Graph Neural Networks for Neurological Evaluation on EEG Signals [1.2618555186247336]
NIH Stroke Scale(NIHSS)による脳卒中重症度予測のためのグラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
入院時の脳波検査(EEG)について検討した。
重要な神経学的接続を強調し,空間性を維持するために,構造的および機能的脳ネットワーク特性に基づいたスペーシフィケーションプロセスを適用した。
論文 参考訳（メタデータ） (2024-09-24T14:40:09Z) - Weakly-supervised positional contrastive learning: application to
cirrhosis classification [45.63061034568991]
大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。
組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。
提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
論文 参考訳（メタデータ） (2023-07-10T15:02:13Z) - Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。
アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文 参考訳（メタデータ） (2023-07-07T18:57:21Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Chest ImaGenome Dataset for Clinical Reasoning [5.906670720220545]
シーングラフデータ構造を持つChest ImaGenomeデータセットを初めて提供し、242,072$の画像を記述した。
ローカルアノテーションは、ジョイントルールベースの自然言語処理(NLP)とアトラスベースのバウンディングボックス検出パイプラインを使用して自動生成される。
論文 参考訳（メタデータ） (2021-07-31T20:10:30Z) - Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth
Mover's Distance [63.203951161394265]
現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。
本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。
いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
論文 参考訳（メタデータ） (2021-07-26T17:19:02Z) - Heterogeneous Similarity Graph Neural Network on Electronic Health
Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。
フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。
GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文 参考訳（メタデータ） (2021-01-17T23:14:29Z) - An anatomically-informed 3D CNN for brain aneurysm classification with
weak labels [0.2010294990327175]
弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。
当社のアプローチは,データセット生成の非自明な課題に端を発しています。
本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
論文 参考訳（メタデータ） (2020-11-27T08:00:54Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。