論文の概要: Representation learning of human cortical folding to reveal long lasting neurodevelopmental signatures

• arxiv url: http://arxiv.org/abs/2609.05438v2
• Date: Thu, 10 Sep 2026 10:01:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.474278
• Title: Representation learning of human cortical folding to reveal long lasting neurodevelopmental signatures
• Title（参考訳）: ヒト大脳皮質の折り畳みの表現学習による持続性神経発達因子の解明
• Abstract要約: Champollionは自己教師型学習フレームワークであり、構造MRIから皮質の折り畳みの解釈可能な局所表現を学習する。 神経イメージングや汎用基盤モデルよりも一貫して優れています。 シャンポリオンは、不完全な海馬の逆転、未熟、母性喫煙に関連する局所的な折りたたみ符号を同定する。
• 参考スコア（独自算出の注目度）: 2.8917088649890097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The human brain folds in utero, primarily during late gestation. Shortly after birth, cortical folding patterns are established and remain stable thereafter, making them promising early neurodevelopmental markers. Yet it is unclear whether the representations given by current neuroimaging foundation models capture cortical folding variability. Here, we introduce Champollion, a self-supervised learning framework that learns interpretable local representations of cortical folding from structural MRI. Optimized on representative folding-related tasks, Champollion accurately captures known folding patterns across cortical regions and external datasets. In a comprehensive benchmark, it consistently outperforms neuroimaging and general-purpose foundation models. Furthermore, Champollion reveals richer genetic associations than conventional morphometric descriptors and identifies localized folding signatures associated with incomplete hippocampal inversion, prematurity, and maternal smoking. These results establish cortical folding as a rich and largely untapped source of neurodevelopmental information, and Champollion provides a unified framework for discovering, localizing and interpreting long lasting cortical folding signatures.
• Abstract（参考訳）: ヒトの脳は子宮で折り畳み、主に妊娠後期に発生する。 出生直後、皮質の折り畳みパターンが確立し、その後安定し、初期の神経発達マーカーが期待できる。 しかし、現在の神経画像基礎モデルによる表現が皮質の折りたたみ変動を捉えているかどうかは不明である。 本稿では, 自己教師型学習フレームワークであるChampollionを紹介する。 代表的な折りたたみ関連タスクに最適化されたChampollionは、皮質領域と外部データセットにわたる既知の折りたたみパターンを正確にキャプチャする。 包括的なベンチマークでは、ニューロイメージングや汎用基盤モデルよりも一貫して優れています。 さらに、チャンポリオンは、従来の形態計測記述子よりもより豊かな遺伝的関連を明らかにし、不完全な海馬の逆転、未熟、母性喫煙に関連する局所的な折りたたみ符号を同定する。 これらの結果は、神経発達情報の豊富で未発達の源として皮質の折り畳みを確立し、Champollionは長く続く皮質の折り畳みシグネチャを発見し、局所化し、解釈するための統一的な枠組みを提供する。

関連論文リスト

• SurfAge-Net: A Hierarchical Surface-Based Network for Interpretable Fine-Grained Brain Age Prediction [9.571325956619743]
  そこで本稿では,領域固有の発達パターンを抽出するサーフェスベースの新しい脳年齢予測ネットワーク(SurfAge-Net)を提案する。 SurfAge-Netは、皮質組織の結合原理を取り入れた新しいモデリングパラダイムを確立する。 空間的に正確で生物学的に解釈可能な皮質成熟地図を提供し、不均一な遅延と地域特有の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2026-01-28T07:01:57Z)
• Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
  脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。 本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
  論文  参考訳（メタデータ） (2025-10-14T17:44:45Z)
• Age Sensitive Hippocampal Functional Connectivity: New Insights from 3D CNNs and Saliency Mapping [55.27843586881593]
  我々は,海馬機能的接続解析から脳年齢を予測するための解釈可能なディープラーニングフレームワークを開発した。 海馬と皮質の主な関係は、特に前頭骨、くちばし、後角皮質、海馬皮質、左上頭頂葉、右上側頭葉で表される。 発見は、海馬老化の機能的メカニズムに関する新たな洞察を与え、神経画像データの生物学的に意味のあるパターンを明らかにするための説明可能な深層学習の力を示す。
  論文  参考訳（メタデータ） (2025-07-02T07:05:18Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
  我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。 我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
  論文  参考訳（メタデータ） (2022-11-16T11:15:23Z)
• A Deep Generative Model of Neonatal Cortical Surface Development [0.688204255655161]
  球状化した新生児大脳皮質表面の特徴を成熟の異なる段階間で翻訳するための表面ベースCycleGANを実装した。 以上の結果から, 妊娠後期における皮質組織の個々のパターンの変化を確実に予測できることが示された。 皮質成熟のシミュレートされた相違は、文献の観察と一致している。
  論文  参考訳（メタデータ） (2022-06-15T13:59:43Z)
• Brain Cortical Functional Gradients Predict Cortical Folding Patterns via Attention Mesh Convolution [51.333918985340425]
  我々は,脳の皮質ジャイロ-サルカル分割図を予測するための新しいアテンションメッシュ畳み込みモデルを開発した。 実験の結果,我々のモデルによる予測性能は,他の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-05-21T14:08:53Z)
• Self-Supervised Longitudinal Neighbourhood Embedding [13.633165258766418]
  縦横埋め込みという表現学習のための自己指導型戦略を提案する。 コントラスト学習の概念に動機づけられたLNEは、異なる対象の軌道ベクトル間の類似性を明示的にモデル化する。 2つのニューロイメージング研究の縦方向T1w MRIにLNEを適用します:274の健康な被験者からなるデータセットと、アルツハイマー病ニューロイメージングイニシアティブ。
  論文  参考訳（メタデータ） (2021-03-05T17:55:53Z)
• Towards a Neural Model for Serial Order in Frontal Cortex: a Brain Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
  そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。 我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。 これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
  論文  参考訳（メタデータ） (2020-05-22T14:29:51Z)

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。