論文の概要: fMRI-TAMCL: Text-Anchored Supervised Multimodal Contrastive Learning for fMRI-Based Brain Disorder Classification

• arxiv url: http://arxiv.org/abs/2610.05880v1
• Date: Mon, 05 Oct 2026 06:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 03:32:20.068431
• Title: fMRI-TAMCL: Text-Anchored Supervised Multimodal Contrastive Learning for fMRI-Based Brain Disorder Classification
• Title（参考訳）: fMRI-TAMCL:fMRIに基づく脳障害分類のためのテキストアンコールによるマルチモーダルコントラスト学習
• Abstract要約: 我々は、fMRI画像、スパースFC、および生成された主観的テキストを統合したテキストアンコレートマルチモーダルコントラスト学習フレームワークであるfMRI-TAMCLを提案する。 fMRI-TAMCLは、下流分類において、29のベースラインを78.6%-86.4%の精度で上回る5つのデータセットにまたがる一般化能力を証明している。
• 参考スコア（独自算出の注目度）: 0.5448283690603358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resting-state fMRI is important in the classification of brain disorders, but highly multimodal and exhibits strong multisite heterogeneity. Existing methods fuse images, BOLD-based functional connectivity, and phenotypic data modalities. Unlike other medical imaging datasets, rs-fMRI datasets rarely include a text modality, so they are generated from phenotypic data or BOLD activations. These text generation methods rely on fixed assumptions for subjects, sites, devices, and protocols, leading to poor generalization across datasets. We propose fMRI-TAMCL, a text-anchored multimodal contrastive learning framework that integrates fMRI images, sparse FC, and generated subject-specific text. Its Subject-Adaptive Threshold Derivation module generates BOLD activation text, while Feature-Value Serialization module generates phenotypic text. All three modalities are encoded as clustered graphs, projected onto a shared unit hypersphere space, aligned using pairwise, text-anchored supervised contrastive learning, and fused with attention. fMRI-TAMCL proves its generalization capability across five datasets outperforming 29 baselines with 78.6%-86.4% accuracy in downstream classification.
• Abstract（参考訳）: 安静時fMRIは脳疾患の分類において重要であるが、非常に多モードであり、強い多部位不均一性を示す。 既存の方法では、画像、BOLDベースの機能接続、表現型データモダリティを融合する。 他の医療画像データセットとは異なり、rs-fMRIデータセットはテキストモダリティをほとんど含まないため、表現型データやBOLDアクティベーションから生成される。 これらのテキスト生成方法は、主題、サイト、デバイス、プロトコルの固定された仮定に依存し、データセット間の一般化が不十分になる。 我々は、fMRI画像、スパースFC、および生成された主観的テキストを統合したテキストアンコレートマルチモーダルコントラスト学習フレームワークであるfMRI-TAMCLを提案する。 その主観適応閾値導出モジュールはBOLDアクティベーションテキストを生成し、特徴値シリアライゼーションモジュールは表現型テキストを生成する。 これら3つのモダリティはすべて、クラスタ化されたグラフとして符号化され、共有単位超球面空間に投影され、ペアワイズでテキストアンコールによる教師付きコントラスト学習を使用して整列し、注意を払っている。 fMRI-TAMCLは、その一般化能力を、下流分類において78.6%-86.4%の精度で29のベースラインを上回る5つのデータセットで証明している。

関連論文リスト

• fMRI-LM: Towards a Universal Foundation Model for Language-Aligned fMRI Understanding [30.02799445727658]
  機能的MRI(fMRI)と言語を3段階の枠組みでブリッジする基礎モデルであるfMRI-LMを提案する。 ステージ1では、fMRIを言語一貫性空間に埋め込まれた離散トークンにマッピングする神経トークン化器を学習する。 ステージ2では、事前訓練されたLLMがfMRIトークンとテキストを共同でモデル化し、脳の活動が時間的に予測され言語的に記述されるシーケンスとして扱われる。 ステージ3では、ハイレベルなセマンティック理解を備えたfMRI-LMを実現するために、マルチタスク、マルチパラダイムのチューニングを行う。
  論文  参考訳（メタデータ） (2025-11-24T20:26:59Z)
• 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)
• RTGMFF: Enhanced fMRI-based Brain Disorder Diagnosis via ROI-driven Text Generation and Multimodal Feature Fusion [13.589735978929085]
  RTGMFFは自動ROIレベルのテキスト生成とマルチモーダルな特徴融合を統合化して脳障害診断を行うフレームワークである。 RTGMFFは診断精度において現在の手法を上回り、感度、特異性、およびROC曲線下における領域の顕著な向上を達成している。
  論文  参考訳（メタデータ） (2025-09-03T11:05:57Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)

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。