論文の概要: Structural-Functional Brain Connectivity Generation via Multimodal Hypergraph-based Flow Matching

• arxiv url: http://arxiv.org/abs/2610.02722v1
• Date: Fri, 02 Oct 2026 02:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.174551
• Title: Structural-Functional Brain Connectivity Generation via Multimodal Hypergraph-based Flow Matching
• Title（参考訳）: マルチモーダルハイパーグラフを用いたフローマッチングによる構造ファンクション脳結合性生成
• Abstract要約: 生成モデリングは、大規模対構造接続(SC)と機能接続(FC)データの不足を軽減することができる。 SC-FC接続生成とクロスモーダル変換のためのマルチモーダルハイパーグラフフローマッチング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）: 13.918632850871985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structural connectivity (SC) and functional connectivity (FC) provide complementary information on interactions between brain regions and are widely used in neuroimaging studies of neuropsychiatric disorders. Generative modelling can alleviate the scarcity of large-scale paired SC-FC data, but existing approaches typically use pairwise graphs that capture only dyadic interactions and often generate SC and FC independently, limiting preservation of higher-order structure-function relationships. We propose a Multimodal Hypergraph Flow Matching (MHG-FM) framework for joint SC-FC connectivity generation and cross-modal translation. MHG-FM constructs modality-specific hypergraphs, learns higher-order representations with Hypergraph Neural Network (HGNN) encoders, and performs bidirectional cross-modal fusion using Dual Cross-Attention (DCA). A variational autoencoder maps the fused representations to a compact latent space, where conditional flow matching enables connectivity synthesis and multimodal translation via latent transport. Experiments on the Human Connectome Project Young Adult (HCP-YA) dataset show that MHG-FM outperforms several state-of-the-art baselines in reconstruction quality, topology preservation, distributional similarity, and SC-FC coupling, while achieving approximately 8x faster sampling than a matched diffusion backbone.
• Abstract（参考訳）: 構造的接続(SC)と機能的接続(FC)は、脳領域間の相互作用に関する補完的な情報を提供し、神経精神疾患の神経画像研究に広く用いられている。 生成的モデリングは、大規模にペア化されたSC-FCデータの不足を軽減することができるが、既存のアプローチでは、通常、二進的相互作用のみをキャプチャし、しばしばSCとFCを独立に生成し、高次構造関数関係の保存を制限するペアワイズグラフを使用する。 SC-FC接続生成と相互変換のためのMHG-FM(Multimodal Hypergraph Flow Matching)フレームワークを提案する。 MHG-FMは、モダリティ固有のハイパーグラフを構築し、ハイパーグラフニューラルネットワーク(HGNN)エンコーダで高次表現を学び、デュアルクロスアテンション(DCA)を用いて双方向のクロスモーダル融合を行う。 変分オートエンコーダは、融合した表現をコンパクトな潜在空間にマッピングする。 Human Connectome Project Young Adult (HCP-YA)データセットの実験では、MHG-FMは再構成品質、トポロジー保存、分布類似性、SC-FC結合において、適合した拡散バックボーンよりも約8倍高速なサンプリングを実現する。

関連論文リスト

• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• Hyperbolic Busemann Neural Networks [100.27390895360753]
  本研究では,ニューラルネットワークの中核となる2つの要素,MLR(Multinomial Logistic Regression)層とFC(Fully Connected)層をブセマン関数を介して双曲空間に持ち上げる。 BMLRはコンパクトパラメータ、対空距離解釈、バッチ効率計算、ユークリッド極限を提供する。 画像分類、ゲノムシークエンス学習、ノード分類、リンク予測の実験は、以前の双曲層よりも有効性と効率が向上したことを示している。
  論文  参考訳（メタデータ） (2026-02-21T14:45:40Z)
• Uncovering Latent Communication Patterns in Brain Networks via Adaptive Flow Routing [6.266036335881278]
  神経通信力学のレンズを通して多モード融合を定式化する。 AFR-Netは、構造的制約(SC)が機能的通信パターン(FC)を引き起こす方法をモデル化する物理インフォームドフレームワークである。 実験により、AFR-Netは最先端のベースラインを大きく上回っていることが示された。
  論文  参考訳（メタデータ） (2026-01-31T06:56:50Z)
• Attention-Based Variational Framework for Joint and Individual Components Learning with Applications in Brain Network Analysis [9.090595907330018]
  2組のSC-FCデータセットから因数分解された潜在表現を学習するために設計されたC-Modal Joint-Individual Variational Network (CM-JIVNet)。 本モデルでは,多面的注意融合モジュールを用いて,非線形な相互依存を捕捉し,独立性,モダリティ特異的な信号の分離を行う。 関節と個々の特徴空間を効果的に切り離すことで、CM-JIVNetは大規模マルチモーダル脳分析のための堅牢で解釈可能なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-01-23T00:28:43Z)
• Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
  本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。 空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-06-24T00:56:21Z)
• Channel Fingerprint Construction for Massive MIMO: A Deep Conditional Generative Approach [65.47969413708344]
  CF双生児の概念を導入し、条件付き生成拡散モデル(CGDM)を設計する。 本研究では, 粗粒CFに条件付き観測された細粒CFの対数分布に対するエビデンスローバウンド(ELBO)を導出するために, 変分推論手法を用いる。 提案手法は, ベースラインと比較して, 復元性能が著しく向上していることを示す。
  論文  参考訳（メタデータ） (2025-05-12T01:36:06Z)
• SFC-GAN: A Generative Adversarial Network for Brain Functional and Structural Connectome Translation [11.070185680800071]
  構造Functional Connectivity GAN(SFC-GAN)は、脳コネクトーム間の双方向翻訳のための新しいフレームワークである。 これらのコネクトームのトポロジ的整合性を維持するため、我々は、グローバルなコネクトームパターンとローカルなコネクトームパターンの両方を捉える際に、モデルを導く構造保存損失を用いる。 本フレームワークは,SCとFC間の翻訳において優れた性能を示し,類似性およびグラフ特性評価においてベースラインモデルより優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T04:30:41Z)
• MHSA: A Multi-scale Hypergraph Network for Mild Cognitive Impairment Detection via Synchronous and Attentive Fusion [4.526574526136158]
  同期核融合によるMCI検出のためのマルチスケールハイパーグラフネットワークを提案する。 本手法では、関心領域のスペクトル領域における位相同期関係を計算するために、位相同期値(PLV)を用いる。 PLV係数は動的に戦略を調整し,時間スペクトル融合行列に基づいて動的ハイパーグラフをモデル化する。
  論文  参考訳（メタデータ） (2024-12-11T02:59:57Z)
• DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
  構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である 脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-28T06:55:50Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。