論文の概要: Evidence Before Accuracy: A MRI-PET Fusion Network for Alzheimer Disease Classification with Causal Regional Validation

• arxiv url: http://arxiv.org/abs/2609.34520v1
• Date: Mon, 28 Sep 2026 07:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:46:22.608528
• Title: Evidence Before Accuracy: A MRI-PET Fusion Network for Alzheimer Disease Classification with Causal Regional Validation
• Title（参考訳）: アルツハイマー病診断のためのMRI-PET核融合ネットワーク
• Abstract要約: 本稿では,T1 MRIとFDG PETを併用した核融合ネットワークについて述べる。 このモデルはAUC 0.962、精度0.909、F1 0.891に到達し、最近の3D CNNやマルチモーダルトランスシステムと競合する。
• 参考スコア（独自算出の注目度）: 0.19336815376402716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models for Alzheimer disease (AD) classification routinely report near-perfect discrimination, yet few are shown to rest on AD-relevant neurobiology rather than on dataset artifacts, subject-level leakage, or non-brain image content. We present a fusion network combining T1 MRI and FDG PET across axial, coronal, and sagittal planes, trained on ADNI consists of 554 paired subjects. The fusion model reaches AUC 0.962, accuracy 0.909, and F1 0.891, competitive with recent 3D CNN and multimodal transformer systems at substantially lower cost. We first quantify how much modality, plane and slice geometry matter. A validation-only search over slice centres and neighbour spacings moves AUC by 0.180 for MRI and 0.078 for PET, selecting narrow spacing for MRI and wide spacing for PET, with the chosen coronal centres falling on the hippocampal body and on the posterior cingulate respectively. The contribution, however, is the evidence layer built around that number. Shortcut controls collapse the model to AUC 0.622 (silhouette), 0.608 (exterior), and 0.500 (blank), and a label-permutation null yields 0.456. Forward region-of-interest (ROI) ablation shows that masking medial temporal cortex in MRI and the posterior default-mode network (DMN) in PET produces the largest shift in the AD logit, while area-matched controls remain indistinguishable from that null. Reverse ROI ablation shows that the medial temporal lobe alone retains 89.2% of above-chance discrimination in MRI and the posterior DMN alone retains 79.0% in PET. A quantitative comparison of attribution methods shows occlusion sensitivity reaching 3.5-5.0* enrichment inside a priori AD regions against 0.10-0.43* in controls. Ablation and attribution independently establish a biologically correct double dissociation: hippocampal evidence is carried by MRI, posterior cingulate evidence by PET.
• Abstract（参考訳）: アルツハイマー病(AD)分類の深層学習モデルは、ほぼ完全な識別を定期的に報告するが、データセットのアーティファクトや被写体レベルのリーク、非脳画像の内容よりもAD関連神経生物学に頼っているものはほとんどない。 554人の被験者からなるADNIで訓練したT1 MRIとFDG PETを軸, 冠, 矢状面に組み合わせた核融合ネットワークを提案する。 融合モデルはAUC 0.962、精度0.909、F1 0.891に達し、最近の3D CNNやマルチモーダルトランスシステムとかなり低コストで競合する。 まず、モジュラリティ、平面およびスライス幾何学がどれほど重要なのかを定量化する。 MRIでは0.180、PETでは0.078でAUCを移動し、MRIでは狭い間隔、PETでは広い間隔でAUCを移動させる。 しかし、その貢献は、その数字の周りに構築されたエビデンス層である。 ショートカット制御では、モデルをAUC 0.622 (シルエット)、0.608 (外部)、0.500 (ブランク)、ラベル置換ヌルは0.456になる。 前向き領域(ROI)アブレーションは、MRIの側頭葉皮質とPETのデフォルトモード後部ネットワーク(DMN)をマスキングするとADロジットの最大のシフトが生じることを示しているが、領域整合制御は、そのヌルと区別できないままである。 逆ROIアブレーションは、MRIでは側頭葉単独が89.2%、後部DMN単独が79.0%のPETを維持していることを示している。 アトリビューション法を定量的に比較すると、事前AD領域内で3.5-5.0*エンリッチメントに達するオクルージョン感度が0.10-0.43*のコントロールに対して現れる。 アブレーションと帰属は、生物学的に正しい二重解離を確立し、海馬のエビデンスをMRIで、後部鎮静のエビデンスをPETで行う。

関連論文リスト

• Bridging Modalities on the Cortex: Surface-based MRI to PET Translation with a Diffusion Bridge [42.06716029758852]
  Fluorodeoxy Positron Emission Tomography (FDG-PET) により測定された皮質低代謝は、認知症診断のための高感度バイオマーカーである。 本稿では,MRI-PET翻訳のための新しい表面拡散ブリッジフレームワークDB-SUiTを提案する。 条件付き球面型U字型視覚変換器(SUiT)は複雑な相互モーダル関係をモデル化するように設計されている。
  論文  参考訳（メタデータ） (2026-09-17T12:38:33Z)
• Modality Contribution Score - A Per-Patient Framework for Quantifying the Relative Diagnostic Contribution of Structural MRI and Amyloid PET in Alzheimer's Disease [4.641787020568222]
  構造MRIとポジトロン・エミッション・トモグラフィ(PET)を組み合わせたマルチモーダル・ニューロイメージングは、アルツハイマー病(AD)連続体における構造と機能の関係を捉えている。 本稿では,MCNet(Modality Contribution Network)とMCS(Modality Contribution Score)を紹介する。
  論文  参考訳（メタデータ） (2026-08-23T03:48:19Z)
• Alzheimer's Disease Diagnosis using a Multimodal Approach with 3D MRI and PET [8.600348180154592]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、不可逆的な神経変性疾患であり、世界中の死因である。 磁気共鳴イメージング(MRI)やポジトロン・エミッション・トモグラフィ(PET)スキャンのようなニューロイメージングデータは、疾患に関連する構造的、機能的な脳変化を提供することで、早期に脳の変化を検出するのに役立つ。 しかし、多くのマルチモーダルモデルは依然としてMRIとPETを静的な結合で融合させ、全ての被験者に同じ計算を適用している。 本稿では, 3次元畳み込み特徴抽出器と3つの融合戦略(連結, Gated Multimodal Unit, GMU, ゲート自己注意)を組み合わせるための最初の研究について述べる。
  論文  参考訳（メタデータ） (2026-06-18T10:11:14Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: A Comprehensive Review of Machine Learning -Based Cancer Outcome Prediction in PET and SPECT Imaging [2.3507313809321233]
  この体系的なレビューは、2020年から2025年にかけて発行された226の研究を分析し、結果予測のためにPETまたはSPECTイメージングに機械学習を適用した。 PETベースの研究は、一般的にSPECTを用いた場合よりも優れており、おそらくは空間分解能と感度が高いためである。 一般的な制限としては、階級不均衡の不十分な扱い、データ不足、人口の多様性の低さがあった。
  論文  参考訳（メタデータ） (2025-07-21T21:03:12Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
  アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。 PETは高価で侵襲的であり、患者を電離放射線に曝す。 MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
  論文  参考訳（メタデータ） (2024-05-03T14:10:29Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study [1.4463443378902883]
  深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。 セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。 DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
  論文  参考訳（メタデータ） (2019-12-27T02:49:45Z)

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。