論文の概要: NormMoX: A Normative Mixture of Experts for Explainable Autism Classification from Structural and Functional MRI

• arxiv url: http://arxiv.org/abs/2611.03349v1
• Date: Mon, 02 Nov 2026 16:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:02:42.857635
• Title: NormMoX: A Normative Mixture of Experts for Explainable Autism Classification from Structural and Functional MRI
• Title（参考訳）: NormMoX: 構造的・機能的MRIからの説明可能な自閉症分類の専門家のノーマティブミックス
• Abstract要約: NormMoXは、典型的な脳を予測、融合、説明の共有参照にする専門家の規範的な混合である。 NormMoXは、ある人がASDを持つ可能性だけでなく、どの点、どの点、どの点において、脳が典型的なものと離れているかを示す。
• 参考スコア（独自算出の注目度）: 2.2287470167172323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While structural and functional magnetic resonance imaging (sMRI, fMRI) offer profound potential for researching autism spectrum disorder (ASD) and understanding individual neurodivergence, current classifiers lack the explanatory power needed for scientific study, clinical use and personal-level insights. Most models learn from imaging features that also vary with age, sex, scanner site and head motion. They fuse the two modalities without a common reference and explain decisions against arbitrary reference inputs rather than a typical brain. We present NormMoX, a normative mixture of experts that makes the typical brain the shared reference for prediction, fusion and explanation. Normative models trained on large healthy cohorts give the value each brain measure is expected to take for a person's age and sex. NormMoX learns from each person's deviations from these expected values. For each modality, a neural network expert turns the deviations into a score of evidence for ASD. A fusion head, MoX, compares each score with those of typical controls before combining them. It therefore needs no imputation when a modality is missing and shows in which modality each person is atypical. On 1,035 participants of ABIDE I, NormMoX reached an AUROC of $0.728 \pm 0.004$ in repeated cross-validation, above linear, single-modality and deep fusion baselines. NormMoX thus shows not only whether a person is likely to have ASD, but where, and in which modality, their brain departs from typical. The implementation is available at https://github.com/Novelex/NormMox.
• Abstract（参考訳）: 構造的および機能的磁気共鳴イメージング(sMRI、fMRI)は自閉症スペクトラム障害(ASD)の研究や個々の神経分岐の理解に重要な可能性を秘めているが、現在の分類器は科学的研究、臨床利用、個人レベルの洞察に必要な説明力に欠ける。 ほとんどのモデルは、年齢、性別、スキャナーサイト、頭部の動きにも異なる画像機能から学習する。 彼らは共通参照なしで2つのモダリティを融合させ、典型的な脳ではなく任意の参照入力に対する決定を説明する。 NormMoXは、典型的な脳を予測、融合、説明の共有参照にする専門家の規範的な混合である。 大きな健康なコホートで訓練されたノーマティヴモデルは、それぞれの脳の計測値が人の年齢と性別に当てはまると期待されている価値を与える。 NormMoXは、これらの期待値から各人の偏差から学習する。 それぞれのモダリティに対して、ニューラルネットワークの専門家は、偏差をASDの証拠のスコアに変換する。 融合ヘッドであるMoXは、それぞれのスコアと典型的なコントロールのスコアを比較して、組み合わせる。 したがって、モダリティが欠如していて、各人のモダリティが非典型的であることを示すとき、イミューテーションは不要である。 ABIDE Iの1,035人の参加者に対して、NormMoXはAUROCの0.728 \pm 0.004$に到達した。 したがって、NormMoXは、ある人がASDを持つ可能性だけでなく、どの点、どこで、その脳が典型的なものと離れているかを示す。 実装はhttps://github.com/Novelex/NormMox.comで公開されている。

関連論文リスト

• Hybrid Deep Learning Approaches for Classifying Autism from Brain MRI [0.0]
  脳画像と機械学習を組み合わせることで、ASDに関連付けられたより客観的なパターンを特定するのに役立つかもしれない。 このプロジェクトは、ABIDE IデータセットからMRIデータを用いて、ASDと制御参加者を分類するための2つのアプローチをテストする。
  論文  参考訳（メタデータ） (2025-10-11T13:43:46Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)
• Multimodal Motion Conditioned Diffusion Model for Skeleton-based Video Anomaly Detection [46.8584162860564]
  ビデオ異常検出(VAD)のための新しい生成モデルを提案する。 我々は、骨格表現を考察し、最先端拡散確率モデルを用いて、多モーダルな未来の人間のポーズを生成する。 4つの確立されたベンチマークでモデルを検証します。
  論文  参考訳（メタデータ） (2023-07-14T07:42:45Z)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)

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。