論文の概要: Inferring continuous cognitive traits from limited neuroimaging data using pairwise convolutional neural networks

• arxiv url: http://arxiv.org/abs/2610.27668v1
• Date: Tue, 20 Oct 2026 05:32:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.662275
• Title: Inferring continuous cognitive traits from limited neuroimaging data using pairwise convolutional neural networks
• Title（参考訳）: 相互畳み込みニューラルネットワークを用いた限定的ニューロイメージングデータからの連続的認知特性の推定
• Abstract要約: 我々は、全脳T1強調MRIから直接学習するペアワイズ畳み込みランキングフレームワークを導入する。 我々は4つの小さな空間能力タスクでこの手法を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual differences in cognitive abilities vary widely, yet the structural brain features supporting these differences remain poorly understood. Traditional brain-behavior analyses rely on predefined metrics such as volume or cortical thickness and typically assume linear relationships with behavior, limiting sensitivity in small datasets. Here, we introduce a pairwise convolutional ranking framework that learns directly from whole-brain T1-weighted MRI by making comparative rather than absolute predictions, which performs well even with small samples (N=108). We tested this method with four small-scale spatial abilities tasks. Regression analysis predicted performance with high accuracy across all tasks, achieving greater predictive power over standard regression and pointwise deep learning baselines. Iterative cortical-region removal (backward elimination) revealed brain regions supporting individual performance common to all four tasks, as well as task-specific regions. These results demonstrate that pairwise learning extracts meaningful behavioral information from structural MRI, providing prediction and interpretable insight into the neuroanatomy of individual differences.
• Abstract（参考訳）: 認知能力の個人差は様々であるが、これらの違いを支持する脳の構造的特徴はいまだに理解されていない。 従来の脳行動分析は、体積や皮質の厚みなどの事前に定義された指標に依存し、通常、小さなデータセットの感度を制限して、行動と線形な関係を仮定する。 そこで本研究では,T1重み付きMRIから直接学習するペアワイズ畳み込みランキングフレームワークを導入し,より小さなサンプル(N=108)でも良好に動作することを示す。 我々は4つの小さな空間能力タスクでこの手法を検証した。 回帰分析は、すべてのタスクにおいて高い精度で性能を予測し、標準回帰とポイントワイズ深層学習ベースラインよりも高い予測力を達成する。 反復的皮質領域除去(後方除去)では,4つのタスクに共通する個々のパフォーマンスをサポートする脳領域と,タスク固有の領域が認められた。 これらの結果は、一対学習が構造MRIから有意義な行動情報を抽出し、個人差の神経解剖学に関する予測と解釈可能な洞察を提供することを示した。

関連論文リスト

• BrainWideBench: Benchmarking large-scale pretraining and across-animal transfer in multi-region neural recordings [65.86350451382873]
  マルチリージョンニューラル記録における動物間移動の評価のためのベンチマークであるBrainWideBenchを提案する。 BrainWideBenchは、276の脳領域にまたがる神経と行動の記録の、国際脳研究所のBrainwide Mapデータセット上に構築されている。
  論文  参考訳（メタデータ） (2026-09-18T17:54:32Z)
• Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
  被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。 本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T03:59:16Z)
• BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning [14.5428181453685]
  一つの自己教師型表現が異種脳MRIの終端をまたいで一般化可能であることを示す。 BrainDINOは、腫瘍の分節化、神経変性、神経発達条件の分類、脳年齢の推定、脳卒中後の時間的予測をサポートする。
  論文  参考訳（メタデータ） (2026-04-30T00:21:36Z)
• Mapping minds not averages: a scalable subject-specific manifold learning framework for neuroimaging data [0.0]
  構造化データと時間的非構造化データの両方にわたる主観的空間変動を捉えることができる多様体学習フレームワークを提案する。 本研究では,このフレームワークを大規模データセットに効率よく拡張し,新たな対象に最適化することを示す。 以上より,本フレームワークは臨床的に関連のある脳活動パターンを明らかにすることができることが示唆された。
  論文  参考訳（メタデータ） (2025-04-30T21:40:54Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• A Novel Supervised Contrastive Regression Framework for Prediction of Neurocognitive Measures Using Multi-Site Harmonized Diffusion MRI Tractography [13.80649748804573]
  Supervised Contrastive Regression (SCR)は、回帰タスクにおけるコントラスト学習の完全な監視を可能にする、シンプルで効果的な方法である。 SCRは、連続回帰ラベルの絶対差を用いて教師付きコントラスト表現学習を行う。 SCRは、他の最先端手法と比較して、神経認知的スコア予測の精度を向上する。
  論文  参考訳（メタデータ） (2022-10-13T23:24:12Z)
• Learning Personal Representations from fMRIby Predicting Neurofeedback Performance [52.77024349608834]
  機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。 この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
  論文  参考訳（メタデータ） (2021-12-06T10:16:54Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)
• Mapping individual differences in cortical architecture using multi-view representation learning [0.0]
  本稿では,タスクfMRIと安静状態fMRIで計測されたアクティベーションと接続性に基づく情報を組み合わせて,新しい機械学習手法を提案する。 マルチビューディープ・オートエンコーダは、2つのfMRIモダリティを、患者を特徴づけるスカラースコアを推測するために予測モデルが訓練されたジョイント表現空間に融合させるように設計されている。
  論文  参考訳（メタデータ） (2020-04-01T09:01:25Z)
• Towards a predictive spatio-temporal representation of brain data [0.2580765958706854]
  fMRIデータセットは複雑でヘテロジニアスな時系列で構成されていることを示す。 深層学習と幾何学的深層学習の様々なモデリング手法を比較し,今後の研究の道を開く。 私たちは、私たちの方法論の進歩が最終的に、健康と病気の脳のダイナミクスをより微妙に理解することで、臨床的および計算学的に関連があることを期待しています。
  論文  参考訳（メタデータ） (2020-02-29T18:49:45Z)

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。