機能的結合を超えた：fMRI による脳障害分類のための時系列モデル

arXiv:2602.08262v1 Announce Type: new 機能的磁気共鳴画像法（fMRI）は、血液酸素レベル依存的（BOLD）信号を捉えることで、侵入性の少ない脳障害分類を可能にしています。しかし、既存の多くの方法は、ピアソン相関を用いた機能的結合（FC）に依存しており、4D BOLD 信号を静態の 2D マトリックスに削減し、時系列のダイナミクスを失いつつ、直線的な域間関係をのみ捉えています。本稿では、公衆的な 5 つのデータセットに対して、生 BOLD 信号上の最先端の時系列モデル（例：PatchTST、TimesNet、TimeMixer などの時系列モデル）をベンチマーク化しました。結果は、これらのモデルが伝統的な FC ベースのアプローチを一貫して凌駕していることを示しており、サイクルのような振動変動やドリフトのような基底ラインの緩やかなトレンドのような時間情報の直接モデル化の価値を浮き彫りにしました。この洞察に基づき、我々は、各 ROI（域関心域）内のサイクルとドリフトを解きほぐし、各 ROI を個別にモデル化することで健全性と過学習を減少させる、2 つの基本原理を組み合わせたシンプルかつ効果的なフレームワークである DeCI を提案しました。大規模な実験では、DeCI は FC ベースおよび時系列ベースの基準に対して、優れた分類精度と汎用性を達成したことを示しています。我々の発見は、複雑な脳ダイナミクスをよりよく捉えるために、fMRI 解析においてエンド・ツー・エンドの時系列モデル化へのシフトを推奨します。コードは https://github.com/Levi-Ackman/DeCI に利用可能です。

arXiv:2602.08262v1 Announce Type: new Abstract: Functional magnetic resonance imaging (fMRI) enables non-invasive brain disorder classification by capturing blood-oxygen-level-dependent (BOLD) signals. However, most existing methods rely on functional connectivity (FC) via Pearson correlation, which reduces 4D BOLD signals to static 2D matrices, discarding temporal dynamics and capturing only linear inter-regional relationships. In this work, we benchmark state-of-the-art temporal models (e.g., time-series models such as PatchTST, TimesNet, and TimeMixer) on raw BOLD signals across five public datasets. Results show these models consistently outperform traditional FC-based approaches, highlighting the value of directly modeling temporal information such as cycle-like oscillatory fluctuations and drift-like slow baseline trends. Building on this insight, we propose DeCI, a simple yet effective framework that integrates two key principles: (i) Cycle and Drift Decomposition to disentangle cycle and drift within each ROI (Region of Interest); and (ii) Channel-Independence to model each ROI separately, improving robustness and reducing overfitting. Extensive experiments demonstrate that DeCI achieves superior classification accuracy and generalization compared to both FC-based and temporal baselines. Our findings advocate for a shift toward end-to-end temporal modeling in fMRI analysis to better capture complex brain dynamics. The code is available at https://github.com/Levi-Ackman/DeCI.