論文の概要: Predicting Cognitive Profiles from Structural MRI using Spatial Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2611.00113v1
- Date: Wed, 28 Oct 2026 06:26:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 03:13:10.482934
- Title: Predicting Cognitive Profiles from Structural MRI using Spatial Graph Representation Learning
- Title(参考訳): 空間グラフ表現学習を用いた構造MRIからの認知的プロファイルの予測
- Abstract要約: 構造的神経画像から認知能力を予測することは、脳形態学の高次元と幾何学的複雑さのために依然として困難である。
大規模小児コホートにまたがる4つの認知表現型を予測するための空間トポロジカルグラフニューラルネットワーク(ST-GNN)を提案する。
- 参考スコア(独自算出の注目度): 1.996303602890401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting cognitive abilities from structural neuroimaging remains challenging due to the high dimensionality and geometric complexity of brain morphology. Conventional models typically flatten regional morphometry into tabular features, failing to explicitly represent spatial relationships. We propose a Spatial-Topological Graph Neural Network (ST-GNN) to predict four distinct cognitive phenotypes across large pediatric cohorts (N = 2,378 to 2,424). By projecting regional morphometry onto a population-level standardized spatial graph, ST-GNN restricts message passing to defined neighboring regions. Evaluations demonstrate that ST-GNN effectively fuses spatial morphology with systemic covariates, outperforming linear baselines and topology-free deep models. Ablations reveal that imposing a sparse geometric topology (K-nearest neighbors) and utilizing global feature scaling - which preserves absolute morphometric scale - outperform fully connected networks and region-normalized approaches. These choices provide transferable architectural inductive biases, revealing differences between computational routing and morphometric feature attribution. Integrated Gradients analysis identified distinct morphological features consistent with neuroanatomical evidence, such as cerebellar volume for working memory and superior frontal surface area for executive function. These findings suggest standardized structural MRI provides useful information for task-specific cognitive prediction, establishing a foundation for MRI-based neurodevelopmental assessment.
- Abstract(参考訳): 構造的神経画像から認知能力を予測することは、脳形態学の高次元と幾何学的複雑さのために依然として困難である。
従来のモデルは、通常、局所的な形態計測を表象の特徴に平らにし、空間的関係を明示的に表すことができない。
本研究では,大きな小児コホート(N=2,378~2,424)にまたがる4つの認知表現型を予測するための空間トポロジカルグラフニューラルネットワークを提案する。
人口水準の標準化空間グラフに地域形態図を投影することにより、ST-GNNは、定義された近隣地域にメッセージパッシングを制限する。
評価の結果,ST-GNNは空間形態を体系的共変量,線形ベースライン,トポロジフリーディープモデルと効果的に融合することが示された。
アブレーションにより、粗い幾何学的トポロジー(K-アレスト近傍)を課し、絶対的な形態的スケールを保ったグローバルな特徴スケーリングを活用することが、完全に接続されたネットワークと地域正規化アプローチより優れていることが判明した。
これらの選択は、伝達可能なアーキテクチャ帰納バイアスを提供し、計算ルーティングと形態的特徴属性の違いを明らかにする。
統合グラディエント分析では, 運動記憶における小脳容積, 執行機能における前頭葉表面積など, 神経解剖学的証拠と一致した特異な形態的特徴を同定した。
これらの結果から,MRIを用いた神経発達評価の基礎を確立すべく,標準化された構造MRIがタスク固有の認知予測に有用な情報を提供する可能性が示唆された。
関連論文リスト
- MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization [0.37341173401157257]
本研究は,5つの主要アーキテクチャ領域にまたがるオリジナル機能に基づく自動放射能表現型フレームワークを提案する。
異種筋内脂肪変性の複雑な3次元構造を客観的、形態学的に解釈可能なバイオマーカーにマッピングする。
論文 参考訳(メタデータ) (2026-08-25T11:30:17Z) - Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。
特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。
我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
論文 参考訳(メタデータ) (2026-04-06T22:27:36Z) - Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳(メタデータ) (2025-10-14T17:44:45Z) - Brain-HGCN: A Hyperbolic Graph Convolutional Network for Brain Functional Network Analysis [12.899767824635433]
双曲幾何学に基づく幾何学的深層学習フレームワークBrain-HGCNを提案する。
精神疾患分類のための2つの大規模fMRIデータセットの実験は、我々のアプローチが最先端のユークリッドベースラインを大きく上回っていることを示している。
この研究は、fMRI分析のための新しい幾何学的深層学習パラダイムを開拓し、計算心理学の分野における双曲型GNNの潜在可能性を強調した。
論文 参考訳(メタデータ) (2025-09-18T13:55:02Z) - SurfGNN: A robust surface-based prediction model with interpretability for coactivation maps of spatial and cortical features [17.457540767016223]
現在の脳表面に基づく予測モデルは、皮質の特徴レベルでの地域属性の変動性を見落としていることが多い。
本研究では,大脳皮質表面メッシュをスパースグラフとみなし,解釈可能な予測モデル-サーフェスグラフニューラルネットワーク(SurfGNN)を提案する。
SurfGNNは、トポロジサンプリング学習(TSL)と地域固有の学習(RSL)構造を用いて、表面メッシュの低スケールと高スケールの両方で個々の皮質の特徴を管理する。
論文 参考訳(メタデータ) (2024-11-05T08:39:53Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-09-26T16:22:08Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳(メタデータ) (2022-03-15T23:16:49Z) - Persistent Homological State-Space Estimation of Functional Human Brain Networks at Rest [15.272033502877413]
我々は、動的に変化する脳ネットワークの静止状態空間を推定する革新的なデータ駆動型トポロジカルデータ解析手法を導入する。
この手法は、脳ネットワークの状態空間を特定する際によく使われるk平均クラスタリングよりも優れている。
以上の結果から,脳ネットワークのトポロジ,特にその動的状態変化は,重要な隠れた遺伝情報を保持できる可能性が示唆された。
論文 参考訳(メタデータ) (2022-01-01T01:39:05Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z)
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。