論文の概要: Systematic Morphometric Brain Autoencoding for Representation Learning in Neurodegenerative Diseases
- arxiv url: http://arxiv.org/abs/2610.37074v1
- Date: Tue, 27 Oct 2026 11:36:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.578085
- Title: Systematic Morphometric Brain Autoencoding for Representation Learning in Neurodegenerative Diseases
- Title（参考訳）: 神経変性疾患における表現学習のための体系的形態計測脳自動符号化
- Abstract要約: 構造的T1強調MRIを用いた神経変性疾患の早期診断は、時間的臨床介入に不可欠である。
SYMBA(Systematic Morphometric Brain Autoencoding, SYMBA)は、構造脳MRIに特化して設計された自己教師型事前訓練フレームワークである。
- 参考スコア（独自算出の注目度）: 1.1572722070395252
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Early identification of neurodegenerative disorders using structural T1-weighted MRI is essential for timely clinical intervention, yet supervised deep learning models often struggle to generalize due to limited annotations and scanner-induced distribution shift. Self-supervised learning offers a promising alternative; however, existing approaches are largely adapted from natural image paradigms, relying on contrastive objectives or generic masked reconstruction with voxel-wise losses, which may not fully capture the distributed morphometric patterns associated with neurodegeneration. We introduce SYMBA (SYstematic Morphometric Brain Autoencoding), a self-supervised pretraining framework specifically designed for structural brain MRI. SYMBA integrates anatomically constrained masking, a multi-scale structural similarity (MS-SSIM) reconstruction objective, and a progressive curriculum that transitions from local anatomical detail to global brain morphology. These components explicitly incorporate neuroanatomical structure into the self-supervised objective rather than relying on generic image priors. Pretrained on 6,953 T1-weighted MRI scans from nine heterogeneous cohorts, SYMBA is evaluated using frozen linear probing on two independent unseen datasets, enabling a strict assessment of out-of-distribution generalization. Across multiple clinical tasks, SYMBA consistently outperforms recent neuroimaging foundation models, achieving 0.930 AUROC for Alzheimer's disease classification, 0.772 for mild cognitive impairment conversion prediction, and strong performance in amyloid status prediction. In low-label regimes, SYMBA demonstrates high sample efficiency, reaching approximately 0.90 AUROC for AD/CN classification using only six labeled subjects.
- Abstract（参考訳）: 構造的T1強調MRIを用いた神経変性疾患の早期同定は、タイムリーな臨床介入には不可欠であるが、教師付きディープラーニングモデルは、限られたアノテーションとスキャナーによる分布シフトのために一般化に苦慮することが多い。
自己教師付き学習は有望な代替手段を提供するが、既存のアプローチは主に自然画像のパラダイムに適応しており、対照的な目的や、ボクセル的な損失を伴う一般的なマスク付き再構築に依存している。
SYMBA(Systematic Morphometric Brain Autoencoding, SYMBA)は、構造脳MRIに特化して設計された自己教師型事前訓練フレームワークである。
SYMBAは、解剖学的に制約されたマスキング、マルチスケール構造類似性(MS-SSIM)再構築の目的、局所解剖学的詳細から大域脳形態へ移行する進歩的カリキュラムを統合している。
これらの構成要素は、一般的な画像の先行に頼らず、神経解剖学的構造を自己監督対象に明示的に組み込む。
SYMBAは、9つの異種コホートから6,953個のT1強調MRIスキャンに基づいて、独立した2つの未知のデータセット上の凍結線形プローブを用いて評価し、分布外一般化の厳密な評価を可能にする。
複数の臨床的タスクにおいて、SYMBAは、最近の神経画像基礎モデルより一貫して優れており、アルツハイマー病分類の0.930 AUROC、軽度認知障害変換予測の0.772、アミロイド状態予測の強いパフォーマンスを達成している。
低ラベルの状態では、SYMBAは高いサンプル効率を示し、約0.90 AUROCでAD/CN分類を行う。
関連論文リスト
- BrainNorm: A Foundation Model that knows Normal via Semantic Atlas Pretraining [4.651750987298774]
我々は66,000T1重み付き構造MRI(T1w sMRI)スキャンをトレーニングし、テストした、規範的基礎モデルBrainNormを紹介した。
BrainNormはSemantic Atlas Latent Space (SAL)を学習し、各スキャンはアトラス-パーセル埋め込みのセットとして表現される。
SAL空間における偏差パターンは、パーセルワイド異常を用いた疾患予測のためのゼロショットタスクを可能にする。
論文 参考訳（メタデータ） (2026-08-18T08:45:02Z) - Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
論文 参考訳（メタデータ） (2026-05-29T07:26:35Z) - GeoSAE: Geometric Prior-Guided Layer-Wise Sparse Autoencoder Annotation of Brain MRI Foundation Models [8.51943483922984]
GeoSAEは、軽度認知障害(MCI)からAD変換を予測するコンパクトで完全に解釈可能な特徴セットを特定する。
このことは、幾何学誘導SAEが凍結脳MRI基礎モデルから解釈可能なバイオマーカーを抽出できることを示している。
論文 参考訳（メタデータ） (2026-05-03T11:42:25Z) - Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。
本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。
R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-12-22T02:54:10Z) - MRI Embeddings Complement Clinical Predictors for Cognitive Decline Modeling in Alzheimer's Disease Cohorts [0.7340017786387767]
アルツハイマー病の認知低下の正確なモデリングは、早期成層化とパーソナライズドマネジメントに不可欠である。
認知変化の異質なパターンを捉えるために,ダイナミック・タイム・ウォーピング・クラスタリングに基づくトラジェクトリ・アウェア・ラベリング・ストラテジーを導入する。
3次元視覚変換器 (ViT) を非教師的再構成により訓練し, 解剖学的に保存された埋め込みを得る。
論文 参考訳（メタデータ） (2025-11-18T15:45:01Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - SNeurodCNN: Structure-focused Neurodegeneration Convolutional Neural Network for Modelling and Classification of Alzheimer's Disease [0.0]
認知症の主要な形態であるアルツハイマー病(AD)は、世界的な課題となっている。
現在の臨床診断は、放射線技師の専門家による解釈に依存しており、これは人間の誤りを招きやすい。
本稿では,SNeurodCNNという新しい構造に着目した神経変性CNNアーキテクチャを含むディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-08T14:33:57Z)
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。