論文の概要: Interpretable Brain Age Prediction Using White Matter Fiber Orientation Distributions with Rotation-Equivariant Deep Learning

• arxiv url: http://arxiv.org/abs/2610.34825v1
• Date: Mon, 26 Oct 2026 04:14:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.741437
• Title: Interpretable Brain Age Prediction Using White Matter Fiber Orientation Distributions with Rotation-Equivariant Deep Learning
• Title（参考訳）: 回転同変深層学習を用いた白質繊維配向分布を用いた解釈可能な脳年齢予測
• Abstract要約: 本稿では,白色物質繊維配向分布(WM-FOD)とSE(3)(特別ユークリッド群)の同変CNNを組み合わせた解釈可能な脳年齢予測フレームワークを提案する。 ヒト・コネクトーム・プロジェクト・エイジング(Human Connectome Project Aging)データセットから36～90歳の被験者692名を対象に,DTIモデルと従来のCNNよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 64.62249011941329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion MRI (dMRI) provides information about white matter microstructure that can support brain age prediction. However, many existing prediction models use diffusion tensor imaging (DTI) scalar metrics that omit orientation information. Deep learning is increasingly used for brain age prediction, but conventional CNNs do not explicitly respect the geometric structure of orientation-dependent features. We present an interpretable brain age prediction framework that combines white matter fiber orientation distributions (WM-FODs) with an SE(3) (Special Euclidean group in 3 dimensions) equivariant CNN. The network operates directly on spherical harmonic (SH) coefficients of the FOD, preserving their transformation properties under rotation. Evaluation in 692 participants aged 36-90 years from the Human Connectome Project Aging dataset showed that the combined framework outperformed the evaluated DTI-based models and conventional CNNs. Averaging predictions from five cross-validation models yielded a mean absolute error of 3.54 years and Pearson's correlation of 0.958. Our results indicated that the performance advantage depended on combining WM-FODs with equivariant processing. Prediction accuracy was highest at a maximum SH order of Lmax = 2 and declined at higher orders. Tract-level occlusion, where each segmented tract was masked in turn, revealed age-dependent patterns of model sensitivity, with importance peaks in frontal projection pathways at 36-44 years, the fornix at 45-54 years, the callosal isthmus at 55-64 years, the middle cerebellar peduncle at 65-74 years, and the callosal genu at 75-90 years. These findings support rotation-equivariant processing of WM-FODs for accurate brain age prediction with anatomically interpretable model sensitivity.
• Abstract（参考訳）: 拡散MRI(dMRI)は、脳の老化予測を支援するホワイトマターの微細構造に関する情報を提供する。 しかし、既存の予測モデルの多くは、方向情報を省略する拡散テンソルイメージング(DTI)スカラーメトリクスを使用している。 深層学習は脳年齢予測にますます使われているが、従来のCNNでは、向きに依存した特徴の幾何学的構造を明示的に尊重していない。 本稿では,白色物質繊維配向分布(WM-FOD)とSE(3)(特別ユークリッド群)の同変CNNを組み合わせた解釈可能な脳年齢予測フレームワークを提案する。 このネットワークは、FODの球面調和係数(SH)を直接操作し、その変換特性を回転下で保持する。 ヒト・コネクトーム・プロジェクト・エイジング(Human Connectome Project Aging)データセットから36～90歳の被験者692名を対象に,DTIモデルと従来のCNNよりも優れた性能を示した。 5つのクロスバリデーションモデルの予測平均は平均絶対誤差が3.54年、ピアソンの相関は0.958年であった。 その結果,WM-FODと等変処理の組み合わせによる性能の優位性が示唆された。 予測精度は Lmax = 2 の最大 SH 次数で最大となり, 高い次数で低下した。 トラクトレベルの閉塞は, 年齢依存性のモデル感度パターンを呈し, 前頭葉投射経路36～44年, 45～54年, カルトース室55～64年, 中大脳脚65～74年, カルトース陰影75～90年で有意なピークを示した。 これらの知見は、解剖学的に解釈可能なモデル感度を持つ正確な脳年齢予測のためのWM-FODの回転同変処理を支援する。

関連論文リスト

• Modeling Uncertainty Propagation in 3D Morphable Models [93.10045817677042]
  本研究では,3次元形態素モデルのパラメータ空間の分散を頂点ごとの分散にマッピングする問題について検討する。 我々はこの制限を閉形式局所不確実性推定で解決する。 CLUEは3DMMのパラメータ空間分布を閉形式近似により頂点ごとに変換する。
  論文  参考訳（メタデータ） (2026-10-17T11:48:00Z)
• BrainRotViT: Transformer-ResNet Hybrid for Explainable Modeling of Brain Aging from 3D sMRI [0.3949853729743116]
  本稿では、視覚変換器(ViT)のグローバルコンテキストモデリングと残留CNNの局所的洗練を組み合わせたハイブリッドアーキテクチャである、訓練された視覚変換器(BrainRotViT)のBrain ResNetを提案する。 提案手法は,130以上の取得サイトを含む11個のMRIデータセットに対する3.34年間の検証を達成している。 脳年齢差の分析によると、老化パターンはアルツハイマー病、認知障害、自閉症スペクトラム障害と関連している。
  論文  参考訳（メタデータ） (2025-11-19T07:20:23Z)
• OpenMAP-BrainAge: Generalizable and Interpretable Brain Age Predictor [0.0]
  我々は,年齢予測モデルを構築し,人口統計学的・技術的MRIスキャンに頑健な年齢予測モデルを構築した。 モデルでは、3つの視点からT1次元擬似3次元MRIを処理し、線形脳情報を含む。
  論文  参考訳（メタデータ） (2025-06-21T05:24:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Age Prediction Performance Varies Across Deep, Superficial, and Cerebellar White Matter Connections [5.748406277713642]
  本稿では,大規模な畳み込みカーネルと逆ボトルネックを利用した,ディープラーニングに基づく年齢予測モデルを提案する。 実験結果から,提案モデルの平均絶対誤差は2.59年であることが示唆された。 総じて、最も予測可能なWM路は、深部WMからの視床前頭葉と小脳内入力と小脳WMからのPurkinje路である。
  論文  参考訳（メタデータ） (2022-11-11T15:23:09Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)

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。