論文の概要: Separating Diagnosis from Disease Representation: Dual-View EEG Learning with Neural-Dynamics-Guided Deformation
- arxiv url: http://arxiv.org/abs/2609.32483v1
- Date: Sat, 26 Sep 2026 11:25:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 08:43:49.489136
- Title: Separating Diagnosis from Disease Representation: Dual-View EEG Learning with Neural-Dynamics-Guided Deformation
- Title（参考訳）: 疾患表現からの分離診断:ニューラルダイナミックス誘導変形を用いたデュアルビュー脳波学習
- Abstract要約: DMD-EEGは、ソーススペース病関連表現の診断とモデルのための固定された頭皮スペクトル専門家を維持している。
2人の専門家は、一定の決定レベルでのみ会うため、ソース状態はアーキテクチャ上、頭皮の専門家とは分離される。
主要なうつ病 (MDD) , 初発性精神病 (FEP) , パーキンソン病 (PD) 全体において, 意思決定レベルの融合はMDDとFEPにおいて最強の単一専門家と一致している。
- 参考スコア（独自算出の注目度）: 21.701185128083427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electroencephalography (EEG)-based closed-loop neuromodulation calls for a subject-specific structured state, as opposed to a single disease probability, specifying which brain regions are deviant, at which frequencies, and at which lags. Sensor-space models keep the strongest diagnostic evidence without anatomy, source-space models give anatomy at a loss of predictive signal, and post-hoc attributions stay outside the prediction. We separate the two instead of forcing them into one representation, and propose DMD-EEG (Dual-view Multiscale Deformation for EEG), which keeps a fixed scalp spectral expert for diagnosis and models the source-space disease-related representation as a low-rank, sparse, iterative deformation of a healthy neural-dynamics prior in a $46$-region-of-interest (ROI) $\times$ $5$-frequency $\times$ $4$-lag (autocorrelation-timescale) space. The two experts meet only at a fixed decision level, so the source state is architecturally separate from the scalp expert. Across major depressive disorder (MDD), first-episode psychosis (FEP), and Parkinson's disease (PD), decision-level fusion matches the strongest single expert on MDD and FEP and exceeds the source branch on PD. On FEP the source expert is the strongest branch, the task where the deformation contributes most. The source state is an explicit ROI-frequency-lag attribution defined in a shared source coordinate system across montages, which we treat as an anatomically-coordinated predictive representation whose coordinates are directly readable and hypothesis-generating. The highest-saliency coordinates align with established disease circuitry (fronto-limbic-temporal regions in MDD, motor-cortex beta in PD), and the MDD state transfers by rank to an unseen cohort recorded with a different montage.
- Abstract（参考訳）: 脳波(EEG)に基づくクローズドループ神経変調は、単一の疾患の確率とは対照的に、脳のどの領域が逸脱しているか、どの周波数、どのラグがあるのかを規定する、主観的な構造化状態を要求する。
センサスペースモデルは解剖学を伴わずに最強の診断証拠を保持し、ソーススペースモデルは予測信号の喪失時に解剖を与え、ポストホック属性は予測外に留まる。
DMD-EEG (Dual-view Multiscale deformation for EEG) は、低ランクでスパースで反復的な、健康な神経力学の変形を46$-rea-of-interest (ROI) $\times$ 5$- frequency $\times$ 4,$-lag (autocorrelation-timescale) 空間として、診断とモデルのための固定された頭皮スペクトル専門家を保持する。
2人の専門家は、一定の決定レベルでのみ会うため、ソース状態はアーキテクチャ上、頭皮の専門家とは分離される。
メジャーうつ病(MDD)、ファースト・エピソード・サイコシス(FEP)、パーキンソン病(PD)全体において、意思決定レベルの融合はMDDとFEPにおいて最強の単一専門家と一致し、PDのソースブランチを超える。
FEPでは、ソースエキスパートが最強のブランチであり、変形が最も寄与するタスクである。
ソース状態は、モンタージュをまたいだ共有ソース座標系で定義された明示的なROI周波数ラグ属性であり、座標が直接可読かつ仮説生成可能な解剖学的協調予測表現として扱う。
最高濃度座標は、確立された疾患回路(MDDの前肢側頭葉領域、PDの運動皮質ベータ)と一致し、MDD状態は、異なるモンタージュで記録された見えないコホートにランクで遷移する。
関連論文リスト
- ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
論文 参考訳（メタデータ） (2026-07-30T00:13:42Z) - CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。
このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。
第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。
第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-06-10T17:20:39Z) - BrainOmni: A Brain Foundation Model for Unified EEG and MEG Signals [46.121056431476156]
異種脳波とMEG記録を対象とする脳基礎モデルBrain Omniを提案する。
既存のアプローチは一般的に、パフォーマンスとクロスドメインのスケーラビリティを制限する、分離、モダリティ、データセット固有のモデルに依存します。
EEGの合計1,997時間、MEGデータの656時間は、事前トレーニングのために公開されているソースからキュレーションされ、標準化されている。
論文 参考訳（メタデータ） (2025-05-18T14:07:14Z) - 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) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - A Hybrid Deep Spatio-Temporal Attention-Based Model for Parkinson's
Disease Diagnosis Using Resting State EEG Signals [8.526741765074677]
本研究では,脳波信号を用いたパーキンソン病(PD)の深層学習モデルを提案する。
このモデルは、畳み込みニューラルネットワーク(CNN)、双方向ゲートリカレントユニット(Bi-GRU)、アテンションメカニズムからなるハイブリッドモデルを用いて設計されている。
その結果,提案モデルでは,トレーニングとホールドアウトデータセットの両方でPDを高精度に診断できることが示唆された。
論文 参考訳（メタデータ） (2023-08-14T20:06:19Z) - AlignTransformer: Hierarchical Alignment of Visual Regions and Disease
Tags for Medical Report Generation [50.21065317817769]
本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。
パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
論文 参考訳（メタデータ） (2022-03-18T13:43:53Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - An Adversarial Domain Separation Framework for Septic Shock Early
Prediction Across EHR Systems [7.058760708627898]
本稿では,異なる医療システムから収集したEHRの2つのカテゴリの相違に対処する汎用ドメイン適応(DA)フレームワークを提案する。
本研究は,米国における異なる医療システムから得られた2つの現実的 EHR を用いて,極めて困難な症状である敗血症性ショックの早期診断のための枠組みを評価する。
論文 参考訳（メタデータ） (2020-10-26T23:41:33Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。