論文の概要: CFBrainAug: Modularity-Induced Counterfactual Brain Network Augmentation for Interpretable fMRI-based Autism Diagnosis

• arxiv url: http://arxiv.org/abs/2610.32184v1
• Date: Fri, 23 Oct 2026 05:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.396496
• Title: CFBrainAug: Modularity-Induced Counterfactual Brain Network Augmentation for Interpretable fMRI-based Autism Diagnosis
• Title（参考訳）: CFBrainAug : fMRIによる自閉症診断のためのモジュール性による対物脳ネットワーク拡張
• Abstract要約: CFBrainAugは、反ファクトの脳ネットワーク学習フレームワークである。 ラベル付き脳ネットワークを学習することで、データ拡張と対実的説明を統一する。 CFBrainAugはABIDE Iデータセットで74.1%の精度に達する。
• 参考スコア（独自算出の注目度）: 12.38952066947916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning on resting-state functional magnetic resonance imaging (rs-fMRI) brain networks is promising for diagnosing Autism Spectrum Disorder (ASD), but existing methods are prone to overfitting on limited training data, and their post-hoc statistical attribution offers limited clinical interpretability. We propose CFBrainAug, a counterfactual brain network learning framework that unifies data augmentation and counterfactual explanation by learning label-altered brain networks. Unlike conventional label-preserving augmentation, CFBrainAug first retrieves a label-opposite yet topologically similar candidate and then refines it under a module-number constraint. Jointly training on factual and counterfactual networks enriches the training distribution around the decision boundary, enabling a lightweight feature-selection-based SVM to perform competitively with recent graph deep learning methods. Meanwhile, the counterfactuals provide intrinsic explanations by identifying the connectivity differences between each subject and its counterfactual. Experiments on the ABIDE I dataset show that CFBrainAug reaches an accuracy of 74.1% on the NYU site, suggesting that counterfactual augmentation can complement more complex models in small-sample brain network analysis.
• Abstract（参考訳）: 安静時機能的磁気共鳴イメージング(rs-fMRI)脳ネットワークの機械学習は自閉症スペクトラム障害(ASD)の診断に期待されているが、既存の手法では限られたトレーニングデータに過度に適合する傾向があり、そのポストホック統計属性は限定的な臨床的解釈性を提供する。 CFBrainAugは,ラベル付き脳ネットワークを学習することで,データ拡張と対実的説明を統一する,対実的脳ネットワーク学習フレームワークである。 従来のラベル保存拡張とは異なり、CFBrainAugはまずラベルオポジットが位相的に類似した候補を取得し、次にモジュール数制約の下で洗練する。 近年のグラフ深層学習手法と競合する軽量な特徴選択型SVMを実現するため,実物ネットワークと対物ネットワークの併用トレーニングにより,決定境界付近のトレーニング分布が強化される。 一方、対物関係は、各対象と対物関係の接続性の違いを特定することによって、本質的な説明を提供する。 ABIDE Iデータセットの実験では、CFBrainAugがNYUサイトで74.1%の精度に達することが示されており、反ファクト的な拡張は小さなサンプル脳ネットワーク分析においてより複雑なモデルを補完する可能性があることを示唆している。

関連論文リスト

• An Intuitionistic Fuzzy Logic Driven UNet architecture: Application to Brain Image segmentation [3.989852248525325]
  直観的ファジィ論理(IF-UNet)を組み込んだ拡張フレームワークUNetを提案する。 このモデルはメンバーシップ、非メンバーシップ、およびヒューイテーションの度合いでデータを処理し、部分体積効果と不確実性に対処する。 実験の結果、IF-UNetは脳画像の不確実性に対処してセグメンテーション品質を改善することが確認された。
  論文  参考訳（メタデータ） (2026-02-04T05:27:35Z)
• AI-Enhanced Virtual Biopsies for Brain Tumor Diagnosis in Low Resource Settings [0.0]
  本稿では, 軽量畳み込みニューラルネットワーク(CNN)と放射能式手工芸品を用いた2次元脳MRI画像の4クラス分類のための仮想生検パイプラインの試作について述べる。 臨床診断や病理学の代用ではなく、意思決定支援として構成されている。
  論文  参考訳（メタデータ） (2025-12-19T19:53:56Z)
• 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)
• Interpretable Neuropsychiatric Diagnosis via Concept-Guided Graph Neural Networks [56.75602443936853]
  青少年の5人に1人は、不安、うつ病、行動障害などの精神状態または行動の健康状態と診断されている。 従来の研究では、障害予測にグラフニューラルネットワーク(GNN)アプローチを使用していたが、ブラックボックスのままであり、信頼性と臨床翻訳を制限している。 本研究では,解釈可能な機能接続の概念を符号化する概念に基づく診断フレームワークを提案する。 我々の設計は臨床的に意味のある接続パターンを通じて予測を保証し、解釈可能性と強い予測性能の両方を可能にする。
  論文  参考訳（メタデータ） (2025-10-02T19:38:46Z)
• MindAligner: Explicit Brain Functional Alignment for Cross-Subject Visual Decoding from Limited fMRI Data [64.92867794764247]
  MindAlignerは、限られたfMRIデータからのクロスオブジェクト脳デコーディングのためのフレームワークである。 脳伝達マトリックス(BTM)は、任意の新しい被験者の脳信号を既知の被験者の1人に投射する。 脳機能アライメントモジュールは、異なる視覚刺激下で軟質なクロスオブジェクト脳アライメントを実行するために提案されている。
  論文  参考訳（メタデータ） (2025-02-07T16:01:59Z)
• D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks [4.675640373196467]
  脳ネットワークの既存のモデルは、通常、脳の領域に焦点を当てたり、脳の結合性の複雑さを見落としたりする。 我々は脳の接続性を改善するための識別可能なモジュールを開発した。 実験の結果,提案手法は様々なベースラインモデルの性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2024-05-28T23:49:52Z)
• 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)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks [28.460737693330245]
  我々は、fMRI解析のためのアンダーラインTask-aware UnderlineBrain接続アンダーラインDAGに基づくエンドツーエンドフレームワークTBDSを提案する。 TBDSの鍵となるコンポーネントは、DAG学習アプローチを採用して、生の時系列をタスク対応の脳結合性に変換する脳ネットワークジェネレータである。 2つのfMRIデータセットに関する総合的な実験は、TBDSの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-01T03:59:54Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• BrainNetGAN: Data augmentation of brain connectivity using generative adversarial network for dementia classification [9.312868504719193]
  アルツハイマー病は最も一般的な年齢関連認知症である。 脳MRIは、脳の老化を検出する非侵襲的なバイオマーカーを提供する。 アルツハイマー病は最も一般的な年齢関連認知症である。
  論文  参考訳（メタデータ） (2021-03-10T23:44:53Z)

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。