論文の概要: Interpretable Information-Decomposed Brain Graph Learning for fMRI-based Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2608.20380v1
• Date: Mon, 29 Jun 2026 00:41:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.291687
• Title: Interpretable Information-Decomposed Brain Graph Learning for fMRI-based Disease Diagnosis
• Title（参考訳）: fMRIによる疾患診断のための解釈可能な情報分解脳グラフ学習
• Abstract要約: Resting-state functional magnetic resonance imaging (rs-fMRI)は、コンピュータ支援診断のための脳機能相互作用の非侵襲的マッピングを可能にした。 IID-GCNは、rs-fMRI相互作用を冗長性、特異性、シナジーグラフに分解する、解釈可能なグラフ学習フレームワークである。
• 参考スコア（独自算出の注目度）: 11.026183854651512
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Resting-state functional magnetic resonance imaging (rs-fMRI) has enabled non-invasive mapping of functional brain interactions for computer-aided diagnosis, yet most existing approaches reduce inter-regional relationships to correlation-based edge weights. Such representations capture co-fluctuation strength but obscure how information is shared across brain regions. Because brain disorders may disrupt not only connectivity strength but also the organization of redundancy, uniqueness and synergy, traditional functional connectivity may miss disease-relevant information structures. Here we introduce IID-GCN, an interpretable graph learning framework that decomposes rs-fMRI interactions into redundancy, uniqueness and synergy graphs using partial entropy decomposition. These information-specific graphs separately characterize shared, region-specific and jointly emergent components of brain activity. A multi-channel graph convolutional network then integrates the decomposed graphs through edge recalibration, cross-information interaction, ROI-attention readout and channel-attentive fusion. Across three datasets, IID-GCN consistently captures complementary diagnostic information beyond traditional functional connectivity. The learned information profiles reveal disorder-specific patterns of altered redundancy, uniqueness and synergy, suggesting that brain diseases reshape functional information organization rather than merely changing connection strength. These results establish information-decomposed brain graphs as an interpretable representation for rs-fMRI-based diagnosis. Our code is available at https://github.com/Zdy12/IID-GCN.
• Abstract（参考訳）: Resting-state functional magnetic resonance imaging (rs-fMRI)は、コンピュータ支援診断のための脳機能相互作用の非侵襲マッピングを可能にするが、既存のほとんどのアプローチは相関に基づくエッジウェイトとの地域間関係を減らしている。 このような表現は共ゆらぎの強さを捉えているが、どのように情報を脳の領域間で共有するかははっきりしない。 脳障害は、接続力だけでなく、冗長性、特異性、シナジーの組織も破壊する可能性があるため、伝統的な機能的接続は、疾患に関連する情報構造を欠く可能性がある。 本稿では、部分エントロピー分解を用いたrs-fMRI相互作用を冗長性、特異性、シナジーグラフに分解する、解釈可能なグラフ学習フレームワークIID-GCNを紹介する。 これらの情報特化グラフは、脳活動の共有、地域特化および共同創発成分を別々に特徴づける。 マルチチャネルグラフ畳み込みネットワークは、エッジリカレーション、クロス情報相互作用、ROI-アテンション・リードアウト、チャネル-アテンティブ・フュージョンを通じて分解グラフを統合する。 3つのデータセットにまたがって、IDI-GCNは、従来の機能接続以上の補完的な診断情報を一貫してキャプチャする。 学習された情報プロファイルは、変化した冗長性、特異性、シナジーの障害固有のパターンを明らかにし、脳疾患が単に接続強度を変えるのではなく、機能的な情報組織を再構築することを示唆している。 これらの結果は、rs-fMRIによる診断の解釈可能な表現として、情報分解脳グラフを確立する。 私たちのコードはhttps://github.com/Zdy12/IID-GCN.comで公開されています。

関連論文リスト

• 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)
• 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)
• JGAT: a joint spatio-temporal graph attention model for brain decoding [8.844033583141039]
  Joint kernel Graph Attention Network (JGAT)は、新しいマルチモーダル時間グラフアテンションネットワークフレームワークである。 ダイナミックな情報を保存しながら、機能的磁気共鳴画像(fMRI)と拡散重み画像(DWI)からのデータを統合する。 我々は4つの独立したデータセット上でJGATでブレインデコーディングタスクを行います。
  論文  参考訳（メタデータ） (2023-06-03T02:45:03Z)
• DBGDGM: Dynamic Brain Graph Deep Generative Model [63.23390833353625]
  グラフは機能的磁気画像(fMRI)データから得られる脳活動の自然な表現である。 機能的接続ネットワーク(FCN)として知られる解剖学的脳領域のクラスターは、脳の機能や機能不全を理解するのに有用なバイオマーカーとなる時間的関係を符号化することが知られている。 しかし、以前の研究は脳の時間的ダイナミクスを無視し、静的グラフに焦点を当てていた。 本稿では,脳の領域を時間的に進化するコミュニティにクラスタリングし,非教師なしノードの動的埋め込みを学習する動的脳グラフ深部生成モデル(DBGDGM)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T20:45:30Z)
• DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning [58.94034282469377]
  下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。 実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
  論文  参考訳（メタデータ） (2022-09-27T16:32:11Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning [4.310840361752551]
  本稿では,脳ネットワーク全体のパーソナライズされた低解像度表現を学習するfMRIの特徴抽出手法を提案する。 本モデルでは,平均分類精度85.95%,平均AUC0.92を達成している。
  論文  参考訳（メタデータ） (2021-09-19T14:22:55Z)
• Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders [10.12649945620901]
  病気特異的なコネクトロミックベンチマークを検出するためのマルチレゾリューションエッジネットワーク(MENET)を提案する。 MENETは診断ラベルを正確に予測し、神経疾患と関連性の高い脳の結合性を識別する。
  論文  参考訳（メタデータ） (2019-12-03T03:46:14Z)

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。