MEDICINE & AI

タイトル：MSARAE: Multiscale adversarial regularized autoencoders for cortical network classification 雑誌名：Med Image Anal. 2025 Dec; 106: 103775. 概　要： 本研究は、皮質ネットワークの分類とデータ拡張のために、マルチスケール敵対的正則化オートエンコーダー（MSARAE）を提案します。皮質に関する研究は、プライバシー規制や技術的制約により、データの入手可能性が限られているため、サンプル数が深層学習モデルの性能と一般化能力に大きく影響します。サンプルサイズが限られると過学習が生じ、モデルの一般化能力が低下します。提案手法は、データ前処理から始まり、皮質構造接続ネットワークを構築します。ラプラシアン固有ベクトルを利用して皮質の特徴を捉え、変分オートエンコーダーを用いて構造接続を生成します。マルチスケールグラフ畳み込み層をエンコーダーとして使用し、潜在空間の分布の不一致を最小化する敵対的正則化メカニズムを導入します。実験では、主要なうつ病障害（MDD）データセット、ヒューマンコネクトームプロジェクト（HCP）データセット、アルツハイマー病神経画像イニシアチブ（ADNI）データセットにおいて、モデルの優位性が示されました。 方　法： 本研究は、皮質構造接続のデータ拡張と分類を目的とした手法で、データ前処理と皮質構造接続ネットワークの構築を行います。ラプラシアン固有ベクトルを用いて皮質の特徴を強化し、変分オートエンコーダーを使用して構造接続を生成します。マルチスケールグラフ畳み込み層をエンコーダーとして利用し、敵対的正則化メカニズムを導入して潜在空間の分布の不一致を最小化します。 結　果： 提案したMSARAEモデルは、MDDデータセット、HCPデータセット、ADNIデータセットにおいて、従来の手法と比較して優れた性能を示しました。特に、潜在表現の分布が実データに近づくようにエンコーダーを訓練することで、モデルの表現能力が向上しました。 結　論： MSARAEは、限られたデータ環境においても皮質ネットワークの分類を効果的に行うことができ、データ拡張の新たなアプローチを提供します。この手法は、深層学習モデルの一般化能力を向上させる可能性があります。