大うつ病性障害検出のためのマルチモーダルMRIに基づくデュアル・クロス注意グラフ学習フレームワーク

arXiv cs.CV / 2026/4/14

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文では、大うつ病性障害（MDD）検出のために、構造MRI（sMRI）と安静時機能MRI（rs-fMRI）の間の双方向の相互作用をモデル化するデュアル・クロス注意マルチモーダル融合フレームワークを提案する。
大規模データセットであるREST-meta-MDDに対する実験では、10-foldの層化交差検証を用いて、構造および機能の脳アトラス構成により手法を評価する。
結果として、提案アプローチはアトラスタイプ間で頑健かつ競争力のある性能を示し、機能アトラスにおいて単純な特徴レベルの連結よりも改善される。
最良のモデルは、精度84.71%、感度86.42%、特異度82.89%、適合率84.34%、F1スコア85.37%を報告しており、クロスモーダルな関係を明示的に学習する価値を強調している。
本研究は、単一モダリティの信号だけでは不十分であるマルチモーダル神経画像ベースの分類において、クロスモーダル相互作用のモデリングが重要であると主張する。

Abstract

大うつ病性障害（MDD）は、単一の画像モダリティでは完全には捉えきれない複雑な神経生物学的変化に関連する、広く見られる精神障害である。構造データと機能データを組み合わせることで、多モーダル磁気共鳴画像法（MRI）を用いると、脳の変化をより包括的に理解できる。とはいえ、これらのモダリティを効果的に統合することは依然として困難である。本研究では、構造MRI（sMRI）と安静時機能MRI（rs-fMRI）の表現間の双方向の相互作用を明示的にモデル化する、デュアル・クロスアテンションに基づく二モーダル融合フレームワークを提案する。提案手法は、構造および機能の脳アトラス構成の両方を用いて、大規模なREST-meta-MDDデータセットで検証する。10分割の層化交差検証のもとで実施した多数の実験により、提案する融合アルゴリズムは、すべてのアトラスタイプにおいて堅牢かつ競争力のある性能を達成することが示された。提案手法は、機能アトラスに対して従来の特徴レベル連結よりも一貫して優れている一方、構造アトラスに対しては同等の性能を維持する。最も効果的なデュアル・クロスアテンションの二モーダルモデルは、84.71%の精度、86.42%の感度、82.89%の特異度、84.34%の適合率、85.37%のF1スコアを得た。これらの結果は、多モーダル神経画像に基づくMDD分類において、クロスモーダル相互作用を明示的にモデル化することの重要性を強調する。