Fugu-MT 論文翻訳(概要): Stage-aware Multimodal Brain Graph Contrastive Learning for Neurodegenerative Disorder Diagnosis

論文の概要: Stage-aware Multimodal Brain Graph Contrastive Learning for Neurodegenerative Disorder Diagnosis

arxiv url: http://arxiv.org/abs/2611.02771v1
Date: Mon, 02 Nov 2026 08:48:12 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-03 19:40:16.307793
Title: Stage-aware Multimodal Brain Graph Contrastive Learning for Neurodegenerative Disorder Diagnosis
Title（参考訳）: 神経変性疾患診断のための段階認識型マルチモーダル脳グラフコントラスト学習
Abstract要約: 段階認識型マルチモーダル脳グラフコントラスト学習法(smBGC)を提案する。 smBGCはステージ対応の機能拡張戦略を導入し、ステージ固有の機能をステージ毎にキャプチャする。 2つの実世界のデータセットの実験は、様々な神経変性疾患診断タスクにおけるsmBGCの優れた性能を示す。
参考スコア（独自算出の注目度）: 9.899774680499297
License:
Abstract: Neurodegenerative disorders are characterized by their progressive nature, with distinct stages that require precise identification and tracking of progression trajectories for accurate diagnosis. However, existing diagnostic methods often fail to fully capture the unique brain patterns associated with different stages, limiting their ability to effectively target specific stages of the disorders. To address this issue, we propose a Stage-aware Multimodal Brain Graph Contrastive Learning (smBGC) method. Specifically, smBGC introduces a stage-aware feature enhancement strategy to capture stage-specific features across all progression stages, enabling the generation of stage-aware multimodal brain graph representations. In addition, smBGC incorporates a stage-adaptive brain graph augmentation approach within a graph contrastive learning framework, facilitating multimodal fusion and improving the model's capability to distinguish between different disorder stages. Experiments on two real-world datasets demonstrate the superior performance of smBGC in various neurodegenerative disorder diagnosis tasks compared with state-of-the-art methods.
Abstract（参考訳）: 神経変性疾患は、その進行性に特徴があり、正確な診断のために進行軌跡の正確な同定と追跡を必要とする。しかし、既存の診断法は、しばしば異なるステージに関連する独特の脳のパターンを完全に捉えることができず、障害の特定のステージを効果的にターゲットする能力を制限する。そこで本研究では,Stage-aware Multimodal Brain Graph Contrastive Learning (smBGC)法を提案する。具体的には、smBGCはステージ認識機能拡張戦略を導入し、ステージ認識型マルチモーダル脳グラフ表現の生成を可能にする。さらに、smBGCはグラフコントラスト学習フレームワークに段階適応型脳グラフ拡張アプローチを導入し、マルチモーダル融合を容易にし、異なる障害ステージを区別するモデルの能力を向上させる。 2つの実世界のデータセットの実験では、様々な神経変性疾患診断タスクにおけるsmBGCの性能が最先端の手法と比較して優れていることが示されている。

関連論文リスト

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)
CCSD: Cross-Modal Compositional Self-Distillation for Robust Brain Tumor Segmentation with Missing Modalities [2.157012611810736]
入力モードの任意の組み合わせを柔軟に扱える新しいクロスモーダル構成自己蒸留(CCSD)フレームワークを提案する。 CCSDは、様々な欠落したモダリティシナリオにまたがって最先端のパフォーマンスを実現し、強力な一般化と安定性を実現している。
論文参考訳（メタデータ） (2025-11-18T15:39:53Z)
Cross-Enhanced Multimodal Fusion of Eye-Tracking and Facial Features for Alzheimer's Disease Diagnosis [9.111075363945892]
視線追跡と顔の特徴は、注意分布と神経認知状態を反映する認知機能の重要な指標である。アルツハイマー病の診断に視線追跡と顔の特徴を活用する多モーダルクロスエンハンス融合フレームワークを提案する。我々のフレームワークは、従来のレイトフュージョンや特徴連結法よりも優れています。
論文参考訳（メタデータ） (2025-10-25T13:30:24Z)
Multimodal Medical Endoscopic Image Analysis via Progressive Disentangle-aware Contrastive Learning [11.158864816564538]
本稿では,Align-Disentangle-Fusion'機構に基づく,革新的な多モード表現学習フレームワークを提案する。本手法は最先端のアプローチを一貫して上回り,様々な臨床シナリオにおいて高い精度を達成している。
論文参考訳（メタデータ） (2025-08-23T03:02:51Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。進行の段階を特定するために設計されたAIツールは存在しない。
論文参考訳（メタデータ） (2023-12-28T10:30:54Z)
MMGPL: Multimodal Medical Data Analysis with Graph Prompt Learning [31.21351373001379]
神経疾患の診断のための多モード大規模モデルの微調整過程におけるグラフプロンプトの学習による新しいプロンプト学習モデルを提案する。具体的には、まずGPT-4を利用して、関連する疾患の概念を取得し、これらの概念とすべてのパッチのセマンティックな類似性を計算する。第2に、各パッチと疾患関連概念のセマンティックな類似性に応じて、無関係パッチの重量を減少させる。
論文参考訳（メタデータ） (2023-12-22T10:10:50Z)
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)
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)
Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文参考訳（メタデータ） (2020-10-07T08:36:44Z)
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。