論文の概要: HyperAMS-Net: Adaptive Multi-Scale Spatial Hypergraph Network for Brain Disorder Classification
- arxiv url: http://arxiv.org/abs/2609.19755v1
- Date: Thu, 17 Sep 2026 06:25:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.122599
- Title: HyperAMS-Net: Adaptive Multi-Scale Spatial Hypergraph Network for Brain Disorder Classification
- Title（参考訳）: HyperAMS-Net:脳障害分類のための適応型マルチスケール空間ハイパーグラフネットワーク
- Abstract要約: HyperAMS-Netは、脳障害分類のためのディープラーニングフレームワークである。
適応的マルチスケール畳み込み、ハイパーグラフアテンション、空間チャネルアテンション、適応的特徴融合を統合している。
評価されたすべてのデータセットにまたがって最先端のパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate classification of brain disorders from neuroimaging data remains challenging because of substantial inter-subject heterogeneity and the complex multi-scale patterns present in functional connectivity and morphological representations. To address these challenges, we propose HyperAMS-Net, a deep learning framework for brain disorder classification using neuroimaging representations derived from resting-state functional MRI or structural MRI. HyperAMS-Net integrates adaptive multi-scale convolution, hypergraph attention, spatial-channel attention, and adaptive feature fusion. Specifically, adaptive multi-scale convolution learns data-driven weights over multiple receptive fields to capture complementary patterns at different scales. Hypergraph attention models higher-order dependencies among learned feature representations through node--hyperedge--node message passing, while spatial-channel attention enhances discriminative feature learning. Adaptive feature fusion further aggregates complementary information across parallel network branches. HyperAMS-Net is evaluated on three benchmark datasets spanning distinct brain disorders: ABIDE for autism spectrum disorder, REST-meta-MDD for major depressive disorder, and ADNI for Alzheimer's disease, using 5-fold stratified cross-validation. HyperAMS-Net achieves state-of-the-art performance across all evaluated datasets, attaining the highest accuracy and AUC among the compared methods. Ablation studies further demonstrate the contribution of each proposed component, with the largest performance degradation observed when hypergraph attention is removed.
- Abstract（参考訳）: 神経画像データからの脳障害の正確な分類は、物体間不均一性や機能的接続や形態的表現に現れる複雑な多スケールパターンのため、依然として困難である。
これらの課題に対処するため,脳障害分類のためのディープラーニングフレームワークであるHyperAMS-Netを提案する。
HyperAMS-Netは適応的マルチスケール畳み込み、ハイパーグラフアテンション、空間チャネルアテンション、適応的特徴融合を統合している。
具体的には、適応的なマルチスケールの畳み込みは、複数の受容領域上のデータ駆動重みを学習し、異なるスケールで相補的なパターンをキャプチャする。
ハイパーグラフアテンションはノード-ハイパーエッジ-ノードメッセージパッシングによる学習特徴表現間の高次依存性をモデル化する一方、空間チャネルアテンションは識別的特徴学習を促進する。
Adaptive Feature fusionは、並列ネットワークブランチにまたがる補完情報をさらに集約する。
HyperAMS-Net は、自閉症スペクトラム障害の ABIDE 、うつ病の REST-meta-MDD 、アルツハイマー病の ADNI の 5 倍の層状クロスバリデーションを用いた3つの脳障害のベンチマークデータセットで評価されている。
HyperAMS-Netは、評価されたすべてのデータセットで最先端のパフォーマンスを達成し、比較したメソッドの中で最高精度とAUCを達成する。
アブレーション研究は,各成分の寄与をさらに示し,ハイパーグラフの注意をなくす際に観測される最大の性能劣化を示す。
関連論文リスト
- Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI [7.161131821089437]
静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。
これらの見解は相補的な神経関係をとらえるが、異なる部位バイアスとグラフトポロジーを示す。
平均精度は73.60%,AUCは71.90%である。
論文 参考訳（メタデータ） (2026-07-31T15:30:16Z) - Multi-Modal Graph Neural Network with Transformer-Guided Adaptive Diffusion for Preclinical Alzheimer Classification [17.66283328694355]
下流変換器を用いて各ノードにおける拡散過程を導出する統合フレームワークを提案する。
本モデルはアルツハイマー病の前臨床段階と密接に関連している主要なROIを十分に同定する。
論文 参考訳（メタデータ） (2026-06-02T08:32:29Z) - Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳（メタデータ） (2026-05-13T14:52:12Z) - 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) - Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks [8.703026708558157]
分裂病分類のためのスパース相互作用機構(Multi-SIGATnet)に基づく新しいグラフ注意ネットワークを提案した。
このモデルの有効性は、Center for Biomedical Research Excellence (COBRE)とUniversity of California Los Angeles (UCLA)データセットで検証されている。
論文 参考訳（メタデータ） (2024-08-25T13:15:55Z) - 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) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Characterization Multimodal Connectivity of Brain Network by Hypergraph
GAN for Alzheimer's Disease Analysis [30.99183477161096]
脳ネットワークを特徴付けるマルチモーダル・ニューロイメージングデータは、現在、アルツハイマー病(AD)解析の高度な技術である。
DTI と rs-fMRI の組合せから脳ネットワークのマルチモーダル接続を生成するための新しいハイパーグラフ生成支援ネットワーク (HGGAN) を提案する。
論文 参考訳（メタデータ） (2021-07-21T09:02:29Z) - Multimodal Representations Learning and Adversarial Hypergraph Fusion
for Early Alzheimer's Disease Prediction [30.99183477161096]
本稿では,アルツハイマー病診断のための新しい表現学習と逆向きハイパーグラフ融合フレームワークを提案する。
本モデルは、他の関連モデルと比較して、アルツハイマー病の検出において優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-07-21T08:08:05Z)
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。