論文の概要: CoFlu-Brain: An fMRI Connectivity Foundation Model with Cofluctuation-Based Pretraining
- arxiv url: http://arxiv.org/abs/2610.15450v1
- Date: Sun, 11 Oct 2026 08:51:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:05:49.7357
- Title: CoFlu-Brain: An fMRI Connectivity Foundation Model with Cofluctuation-Based Pretraining
- Title（参考訳）: CoFlu-Brain:共ゆらぎに基づく事前学習を用いたfMRI接続基盤モデル
- Abstract要約: 機能的磁気共鳴画像(fMRI)は機能的接続(FC)を介して大脳組織を特徴付ける
従来のFCベースのアプローチは典型的には、各スキャンをピアソン相関行列で表現し、フレーム解決された地域間相互作用のばらつきを未発見のまま残している。
CoFlu-Brainは、フレーム回りの共ゆらぎ観測を複数の保持ビューとドロップビューに整理し、それぞれをFC行列として要約する。
- 参考スコア（独自算出の注目度）: 6.5586359987574925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional magnetic resonance imaging (fMRI) commonly characterizes large-scale brain organization through functional connectivity (FC). However, an observed FC matrix is not a fixed brain graph but a statistical estimate determined by the finite BOLD frames used to compute it. Conventional FC-based approaches typically represent each scan with a single Pearson-correlation matrix, leaving frame-resolved variations in regional interactions unexploited. To address this limitation, we introduce CoFlu-Brain, which organizes framewise cofluctuation observations into multiple retained and dropped views, each summarized as an FC matrix. The model learns connectivity structure reproducible across retained views and predicts the representations of the corresponding dropped views, while adopting SIGReg from LeJEPA to prevent representation collapse. We pretrained CoFlu-Brain on 13,444 subjects from eight dataset groups and evaluated its representations via frozen-encoder linear probing on seven classification and two age-prediction tasks across seven datasets. CoFlu-Brain showed strong transfer across demographic, developmental, and clinical prediction tasks, outperforming the evaluated released models on most tasks. Random frame partitioning improved aggregate transfer, while the complete objective achieved the strongest overall performance. Code is available.
- Abstract（参考訳）: 機能的磁気共鳴イメージング(fMRI)は、機能的接続(FC)を通じて、大脳組織を特徴付ける。
しかし、観測されたFC行列は、固定された脳グラフではなく、計算に使用される有限のBOLDフレームによって決定される統計的推定値である。
従来のFCベースのアプローチは典型的には、各スキャンをピアソン相関行列で表現し、フレーム解決された地域間相互作用のばらつきを未発見のまま残している。
この制限に対処するため, コフルブライン (CoFlu-Brain) を導入し, フレーム回りの共ゆらぎ観測を複数の保持ビューとドロップビューに整理し, それぞれをFC行列として要約する。
モデルは、保持されたビュー間で再現可能な接続構造を学習し、対応するドロップビューの表現を予測し、LeJEPAのSIGRegを採用して表現の崩壊を防ぐ。
我々は、8つのデータセット群から13,444名の被験者を対象にCoFlu-Brainを事前訓練し、7つの分類と2つの年齢予測タスクに基づいて凍結エンコーダ線形プローブを用いてその表現を評価した。
CoFlu-Brainは、人口動態、発達、臨床予測タスクを強く移行し、ほとんどのタスクで評価されたモデルよりも優れていた。
ランダムフレームのパーティショニングは集約転送を改善し、完全な目的は全体的なパフォーマンスを最強に達成した。
コードは利用可能。
関連論文リスト
- MovieSTAGE: Scene, Transition, and Global Encoding for Movie-fMRI ADHD Classification [1.8478971411447331]
筆者らは,シーン内のFC注目の組織,隣接するシーン間の符号の相違,全移動FCを組み合わせたマルチスケールフレームワークであるMovieSTAGE(Scene, transition, and Global FC)を紹介した。
CMI-HBN Despicable Me cohortの参加者260人をケースコントロール,ADHDサブタイプ,および5倍のクロスバリデーションを10回繰り返して評価した。
MovieSTAGEのAUROCは0.69、0.73、0.75、AUROCは67.6%、69.8%、58.3%だった。
論文 参考訳（メタデータ） (2026-10-07T02:04:07Z) - Natural Image Autoencoder-Based fMRI Representations for Trait and State Prediction [40.67823966138882]
本稿では,FReDについて紹介する。FReDは自然画像のみに特化してトレーニングされた凍結DCAEからfMRI表現を導出する。
特性予測では、FReDはその時間平均と対数標準偏差によってフレームワイズ表現を要約する。
状態予測では、各フレームを単一のトークンとして表現し、浅いトランスフォーマーで時間依存をモデル化する。
論文 参考訳（メタデータ） (2026-09-28T02:43:55Z) - Continual Learning for fMRI-Based Brain Disorder Diagnosis via Functional Connectivity Matrices Generative Replay [29.68388420763425]
異種臨床現場におけるfMRIによる診断に特化して設計された最初の連続学習フレームワークを提案する。
本フレームワークでは,患者群と制御群の両方で現実的なFC行列を合成する構造対応変分オートエンコーダを提案する。
重度抑うつ障害(MDD)、統合失調症(SZ)、自閉症スペクトラム障害(ASD)に対する多地点データセットの実験は、提案した生成モデルがデータ拡張品質を向上させることを示す。
論文 参考訳（メタデータ） (2026-04-15T16:08:52Z) - PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。
部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。
The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
論文 参考訳（メタデータ） (2026-04-05T21:14:27Z) - Toward a Multi-View Brain Network Foundation Model: Cross-View Consistency Learning Across Arbitrary Atlases [62.33465338932216]
MV-BrainFMは任意のアトラスで構築された脳ネットワークから一般化可能でスケーラブルな表現を学ぶために設計された多視点脳ネットワーク基盤モデルである。
17のfMRIデータセットから20万名以上の被験者を対象に行った実験では、MV-BrainFMは既存の14の脳ネットワーク基盤モデルより一貫して優れていた。
論文 参考訳（メタデータ） (2026-03-20T11:55:00Z) - LapFM: A Laparoscopic Segmentation Foundation Model via Hierarchical Concept Evolving Pre-training [39.51756689308245]
ラプFM(LapFM)は、大規模な未ラベルの手術画像から、堅牢なセグメンテーション能力を進化させるために設計された基礎モデルである。
本稿では,階層的一貫性に基づいて疑似ラベルを反復的に生成・フィルタリングする信頼駆動進化ラベルを提案する。
このプロセスは114Kのイメージマスク対からなる大規模ベンチマークであるLapBench-114Kを生成する。
論文 参考訳（メタデータ） (2025-12-09T10:09:31Z) - 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) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [3.276067241408604]
静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。
フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
論文 参考訳（メタデータ） (2020-08-27T23:43:25Z)
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。