Learning Cortical Anomaly through Masked Encoding for Unsupervised Heterogeneity Mapping

要約

症状の複雑さと信頼できるバイオマーカーの欠如により、脳の読み取り値に基づいて異種の精神障害を検出することは依然として困難です。
この論文では、皮質表面の特徴を使用して複雑な脳障害を教師なしで検出するために設計された新しい自己教師ありフレームワークである CAM (マスク画像モデリングによる皮質異常検出) を紹介します。
私たちはこのフレームワークを精神病スペクトラムの個人の検出に採用し、最先端の方法と比較してその機能を実証し、ラベルを必要とせずに、統合失調感情型では 0.696、統合失調症型では 0.769 の AUC を達成しました。
さらに、統合失調症に関与することが多い三角筋やいくつかの前頭領域を含む非定型皮質領域の分析により、私たちのアプローチにさらなる信頼が得られます。
まとめると、皮質異常に基づく複雑な脳障害の異常検出のためのスケーラブルなアプローチを実証します。

要約(オリジナル)

The detection of heterogeneous mental disorders based on brain readouts remains challenging due to the complexity of symptoms and the absence of reliable biomarkers. This paper introduces CAM (Cortical Anomaly Detection through Masked Image Modeling), a novel self-supervised framework designed for the unsupervised detection of complex brain disorders using cortical surface features. We employ this framework for the detection of individuals on the psychotic spectrum and demonstrate its capabilities compared to state-ofthe-art methods, achieving an AUC of 0.696 for Schizoaffective and 0.769 for Schizophreniform, without the need for any labels. Furthermore, the analysis of atypical cortical regions includes Pars Triangularis and several frontal areas, often implicated in schizophrenia, provide further confidence in our approach. Altogether, we demonstrate a scalable approach for anomaly detection of complex brain disorders based on cortical abnormalities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google