論文の概要: M2LG-DG: A Multi-modal Local-Global Domain Generalization Framework for Cross-site Major Depressive Disorder Classification

• arxiv url: http://arxiv.org/abs/2609.09186v1
• Date: Mon, 31 Aug 2026 05:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.730656
• Title: M2LG-DG: A Multi-modal Local-Global Domain Generalization Framework for Cross-site Major Depressive Disorder Classification
• Title（参考訳）: M2LG-DG:クロスサイト大うつ病分類のための多モード局所領域一般化フレームワーク
• Abstract要約: M2LG-DGは,クロスサイト大うつ病(MDD)分類のための,ソースオンリーのマルチモーダル・ローカル・グローバル・フレームワークである。 このフレームワークはデュアルストリームのrs-fMRIエンコーダを使用し、グローバルパスは自己アテンションを通じて地域間の依存関係をモデル化する。 保持されている4つのREST-meta-MDDサイトにおいて、M2LG-DGは69.48%のAUCを達成し、最も近い比較法である2.18ポイントを超える。
• 参考スコア（独自算出の注目度）: 14.96995835279229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification models based on resting-state functional magnetic resonance imaging (rs-fMRI) often show lower performance at imaging sites not included during model development, which can limit their use in clinical settings. Domain generalization (DG) addresses this issue by learning representations from source sites that remain effective for unseen target sites. However, existing DG approaches for psychiatric disorder classification commonly rely on a single imaging modality and may not fully account for site-specific acquisition effects on the learned representation space. Subjects scanned at the same site share scanner hardware, acquisition settings, and preprocessing characteristics, which can cause representations to reflect acquisition conditions rather than diagnostic information. In this work, we present M2LG-DG, a source-only multimodal local-global framework for cross-site major depressive disorder (MDD) classification. The framework employs a dual-stream rs-fMRI encoder, where the global pathway models inter-regional dependencies through self-attention and the local pathway performs graph-constrained aggregation over functional connectivity-derived brain graphs. Imaging and non-imaging representations are decomposed into shared and private components and integrated through bidirectional cross-attention with a learned modality gate. A cross-site supervised contrastive objective forms positive pairs from same-class subjects acquired at different source sites, encouraging the fused representation to preserve diagnostic information across acquisition domains. On four held-out REST-meta-MDD sites, M2LG-DG achieves an AUC of 69.48% and exceeds the closest comparison method by 2.18 percentage points. Experiments on the Autism Brain Imaging Data Exchange (ABIDE) dataset further support its applicability to other psychiatric neuroimaging classification tasks.
• Abstract（参考訳）: 静止状態機能的磁気共鳴画像(rs-fMRI)に基づく分類モデルは、モデル開発中に含まれない画像部位において低い性能を示し、臨床環境での使用を制限することができる。 ドメイン一般化(DG)は、未確認のターゲットサイトに対して有効であるソースサイトから表現を学習することでこの問題に対処する。 しかし、既存の精神疾患分類のためのDGアプローチは、一般的に単一の画像モダリティに依存しており、学習された表現空間におけるサイト固有の獲得効果を完全に説明できない。 同じサイトでスキャンされた被験者は、スキャナハードウェア、取得設定、前処理特性を共有し、診断情報ではなく、取得条件を反映させる可能性がある。 本研究では,MDD分類のためのM2LG-DGについて述べる。 このフレームワークはデュアルストリームのrs-fMRIエンコーダを用いており、グローバルパスは自己アテンションを介して地域間の依存関係をモデル化し、ローカルパスは機能的接続から導かれる脳グラフに対してグラフ制約の集約を実行する。 画像および非画像表現は、共有およびプライベートなコンポーネントに分解され、学習されたモダリティゲートと双方向のクロスアテンションを介して統合される。 クロスサイト管理された比較対象は、異なるソースサイトから取得した同級者から正のペアを形成し、融合表現を奨励し、取得ドメイン間で診断情報を保存する。 保持されている4つのREST-meta-MDDサイトにおいて、M2LG-DGは69.48%のAUCを達成し、最も近い比較法である2.18ポイントを超える。 自閉症脳画像データ交換(ABIDE)データセットの実験は、他の精神神経画像分類タスクへの適用性をさらに支援している。

関連論文リスト

• Unified Multi-Site Multi-Sequence Brain MRI Harmonization Enriched by Biomedical Semantic Style [13.422551989566983]
  MMHは多地点のマルチシーケンス脳MRIハーモニゼーションのための統合フレームワークである。 MMHは,(1)拡散型大域的調和器でMR画像をスタイルに依存しない勾配条件付けを用いてシーケンス固有統一領域にマッピングし,(2)グローバル整列画像を所望のターゲット領域に適応させるターゲット固有微調整器である。 4,163T1強調MRIとT2強調MRIによる画像特徴クラスタリング、ボクセルレベルの比較、組織セグメンテーション、下流年齢と部位に対するMMHの高調波効果の評価
  論文  参考訳（メタデータ） (2026-01-13T03:47:23Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• Multi-Level Global Context Cross Consistency Model for Semi-Supervised Ultrasound Image Segmentation with Diffusion Model [0.0]
  本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。 提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
  論文  参考訳（メタデータ） (2023-05-16T14:08:24Z)
• Unsupervised Domain Adaptation for Dysarthric Speech Detection via Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
  本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。 DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。 実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
  論文  参考訳（メタデータ） (2021-06-18T13:34:36Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。