論文の概要: Additive Nonparametric Regression with Spatial and Network Objects

• arxiv url: http://arxiv.org/abs/2609.26867v1
• Date: Tue, 22 Sep 2026 16:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.702806
• Title: Additive Nonparametric Regression with Spatial and Network Objects
• Title（参考訳）: 空間およびネットワークオブジェクトを用いた付加的非パラメトリック回帰
• Abstract要約: 本稿では、構造MRI(s-MRI)の皮質計測値と静止状態fMRI(rs-fMRI)の脳接続データを用いて、t-fMRIからの脳活性化マップを予測することを目的とする。 本稿では,t-fMRI と s-MRI 画像を機能データとして扱う新しい回帰フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.458848206334729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article is motivated by an imaging application from the Adolescent Brain Cognitive Development (ABCD) study, aiming to predict task-based brain activation maps from t-fMRI using cortical metrics from structural MRI (s-MRI) and brain connectivity data from resting-state fMRI (rs-fMRI). Hierarchical Bayesian modeling is well-suited for integrating diverse imaging data and quantifying prediction uncertainty. However, progress in this field is limited due to challenges in designing joint priors that capture the structures and interconnections between different imaging modalities, along with computational complexity and lack of theoretical assurances. To address these challenges, the article introduces a novel regression framework that treats t-fMRI and s-MRI images as functional data, incorporating additive non-linear effects of both network and functional predictors on the functional response. Specifically, we employ Gaussian process (GP) priors on coefficients related to the functional predictors to capture their intricate functional dependencies with the response. Furthermore, a GP prior is assigned to encapsulate the non-linear nodal effects of the network predictor on the response function. The method is supported by theoretical results on predictive accuracy for the functional response, and is empirically validated through simulation studies and analysis of multi-modal neuroimaging data from the ABCD study.
• Abstract（参考訳）: 本研究の目的は、構造的MRI(s-MRI)の皮質計測値と静止状態fMRI(rs-fMRI)の脳接続データを用いて、t-fMRIからタスクベースの脳活性化マップを予測することである。 階層ベイズモデリングは多様な画像データの統合と予測の不確かさの定量化に適している。 しかし、この分野での進歩は、計算複雑性と理論的な保証の欠如とともに、異なる画像モダリティ間の構造と相互接続をキャプチャするジョイント先行設計の課題によって制限されている。 これらの課題に対処するため,本論文では,t-fMRIおよびs-MRI画像を機能データとして扱い,ネットワークおよび機能予測器の付加的な非線形効果を機能応答に適用する新たな回帰フレームワークを提案する。 具体的には,関数予測器に関連する係数について,ガウス過程(GP)の先行値を用いて,その応答と複雑な関数依存性を捉える。 さらに、応答関数に対するネットワーク予測器の非線形結節効果をカプセル化するために、GP事前を割り当てる。 本手法は, 機能応答の予測精度に関する理論的結果によって支持され, シミュレーション研究およびABCD研究によるマルチモーダル神経画像データの解析を通じて実証的に検証されている。

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)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Predicting Cognition from fMRI:A Comparative Study of Graph, Transformer, and Kernel Models Across Task and Rest Conditions [1.0832932170181544]
  本研究は,認知予測のための古典的機械学習(KRR)と高度ディープラーニング(DL)モデルを体系的にベンチマークした。 その結果,認知に直結したニューラル応答を誘発するタスクベースfMRIは,認知行動予測におけるRSfMRIよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-28T17:29:22Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Correlation-Distance Graph Learning for Treatment Response Prediction from rs-fMRI [8.734687343991366]
  相関と距離に基づく類似度を対照的な損失の下で統合することにより,包括的特徴を捉えるグラフ学習フレームワークを提案する。 慢性の痛みと脱人格化障害データセットに関する実験により,提案手法は様々なシナリオにおいて,現在の方法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-17T11:34:01Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
  複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。 本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。 実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
  論文  参考訳（メタデータ） (2021-10-07T14:03:00Z)
• Effective and Interpretable fMRI Analysis via Functional Brain Network Generation [8.704964543257246]
  我々は、FMRIの特徴を抽出し、脳ネットワークを生成し、GNNで予測するエンドツーエンドのトレーニング可能なパイプラインを開発した。 PNC fMRIデータに対する予備実験は、我々のフレームワークの優れた有効性と独特な解釈可能性を示している。
  論文  参考訳（メタデータ） (2021-07-23T14:04:59Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Incorporating structured assumptions with probabilistic graphical models in fMRI data analysis [5.23143327587266]
  我々は、fMRI研究の様々な領域で最近開発されたアルゴリズムについてレビューする。 これらのアルゴリズムも同様にfMRIの課題に取り組む。 認知神経科学における明示的モデル構築のより広範な採用を提唱する。
  論文  参考訳（メタデータ） (2020-05-11T06:32:54Z)

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。