論文の概要: MCDA: Multi-View Graph Contrastive Learning with Dynamic Topology Augmentation for Functional MRI Analysis
- arxiv url: http://arxiv.org/abs/2610.26322v1
- Date: Mon, 19 Oct 2026 13:00:27 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:14:06.280229
- Title: MCDA: Multi-View Graph Contrastive Learning with Dynamic Topology Augmentation for Functional MRI Analysis
- Title（参考訳）: MCDA:機能的MRI解析のための動的トポロジ拡張によるマルチビューグラフコントラスト学習
- Abstract要約: 本稿では,fMRI解析のための動的グラフ拡張を用いたトポロジ誘導多視点グラフコントラスト学習フレームワークを提案する。
このフレームワークは、脳疾患の診断における分類と対照的な損失を組み合わせて、ディスク機能接続パターンを潜在的なバイオマーカーとして検討する。
- 参考スコア（独自算出の注目度）: 15.585374125568649
- License:
- Abstract: Resting-state fMRI (rs-fMRI) is a vital non-invasive tool for diagnosing brain disorders and uncovering pathological mechanisms. However, existing graph contrastive learning (GCL) methods often underexploit augmentation histories across training epochs and the relationships among different augmented views. In this paper, we introduce a topology-guided Multi-view graph Contrastive learning framework with Dynamic graph topology Augmentation (MCDA) for fMRI analysis. Unlike traditional GCL that uses fixed noise or edge-dropping, MCDA employs a Dynamic Augmentation Update (DAU) module that iteratively refines the augmented topology. Specifically, we incorporate self-aware and cross-sample augmentation strategies to simultaneously capture individual-specific functional signatures and inter-subject heterogeneity. We then design a topology-guided multi-view graph contrastive learning scheme that explores interrelationships not only between the original network and its augmented views, but also across different augmented views to maximize structural information preservation. We characterize the score-level optimization directions and establish a lower bound for the contrastive objective. The framework combines classification and contrastive losses for brain disorder diagnosis and examines discriminative functional connectivity patterns as potential biomarkers. Experiments on two public rs-fMRI datasets comprising 1,236 subjects demonstrate that MCDA outperforms the state-of-the-art methods. The code has been made publicly available at: \url{https://github.com/goodcodingagoodboy/MCDA}.
- Abstract（参考訳）: 安静状態fMRI(rs-fMRI)は、脳疾患の診断と病理機構を明らかにするための重要な非侵襲的ツールである。
しかしながら、既存のグラフコントラスト学習(GCL)手法は、訓練エポックと異なる拡張ビュー間の関係をまたいだ拡張履歴を過小評価することが多い。
本稿では,fMRI解析のための動的グラフトポロジ拡張(MCDA)を用いたトポロジ誘導多視点グラフコントラスト学習フレームワークを提案する。
固定ノイズやエッジドロップを使用する従来のGCLとは異なり、MCDAは拡張トポロジを反復的に洗練する動的拡張更新(DAU)モジュールを使用している。
具体的には,個人固有の機能的シグネチャを同時に捕捉し,異種間を対象とする自己認識とクロスサンプル拡張戦略を取り入れた。
次に, トポロジ誘導型マルチビュー学習方式を設計し, 元のネットワークと拡張ビュー間の相互関係だけでなく, 構造情報の保存を最大化するために, 異なる拡張ビューをまたいだ相互関係を探索する。
スコアレベル最適化の方向性を特徴付けるとともに,比較対象の下位境界を確立する。
このフレームワークは、脳疾患の診断における分類と対照的な損失を組み合わせ、潜在的なバイオマーカーとして識別機能接続パターンを調べる。
1,236人の被験者からなる2つの公開rs-fMRIデータセットの実験は、MCDAが最先端の手法よりも優れていることを示した。
コードは以下で公開されている。 \url{https://github.com/goodcodingagoodboy/MCDA}。
関連論文リスト
- Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI [7.161131821089437]
静止状態磁気共鳴画像(rs-fMRI)からの大うつ病(MDD)のクロスサイト同定は、部位間分布シフトと不均一機能接続(FC)ビューによって妨げられる。
これらの見解は相補的な神経関係をとらえるが、異なる部位バイアスとグラフトポロジーを示す。
平均精度は73.60%,AUCは71.90%である。
論文 参考訳（メタデータ） (2026-07-31T15:30:16Z) - Gated Multi-Graph Fusion via Graph Attention Networks for Alzheimer's Disease Detection [52.36198268369384]
自然発声はアルツハイマー病(AD)にとって重要な非侵襲的バイオマーカーである
本稿では,音声を自動音声認識(ASR)で書き起こし,セマンティック,依存性,共起グラフを構築するマルチビューGated Graph Attention Networkを提案する。
論文 参考訳（メタデータ） (2026-06-30T06:15:59Z) - PathMoE: Interpretable Multimodal Interaction Experts for Pediatric Brain Tumor Classification [30.58342408480846]
PathMoEは、H&Eスライド、病理報告、核レベルセルグラフを統合する、解釈可能なマルチモーダルフレームワークである。
内科的脳腫瘍データセットと外部TGAデータセットの2つのデータセット固有の分類タスクについて,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-02T07:17:44Z) - A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。
CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。
本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
論文 参考訳（メタデータ） (2025-12-15T10:22:43Z) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - 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) - MM-GTUNets: Unified Multi-Modal Graph Deep Learning for Brain Disorders Prediction [9.75237128240713]
脳障害予測のためのマルチモーダルグラフ深層学習フレームワークMM-GTUNetsを提案する。
本稿では,報酬システムを用いて集団グラフを適応的に構築するMRRL(Modality Reward Representation Learning)を提案する。
また,ACMGL(Adaptive Cross-Modal Graph Learning)を提案する。
論文 参考訳（メタデータ） (2024-06-20T16:14:43Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z)
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。