arXiv:2511.04718v2 Announce Type: replace 
Abstract: Resting-state fMRI has become a valuable tool for classifying brain disorders and constructing brain functional connectivity networks by tracking BOLD signals across brain regions. However, existing mod els largely neglect the multi-frequency nature of neuronal oscillations, treating BOLD signals as monolithic time series. This overlooks the cru cial fact that neurological disorders often manifest as disruptions within specific frequency bands, limiting diagnostic sensitivity and specificity. While some methods have attempted to incorporate frequency informa tion, they often rely on predefined frequency bands, which may not be optimal for capturing individual variability or disease-specific alterations. To address this, we propose a novel framework featuring Adaptive Cas cade Decomposition to learn task-relevant frequency sub-bands for each brain region and Frequency-Coupled Connectivity Learning to capture both intra- and nuanced cross-band interactions in a unified functional network. This unified network informs a novel message-passing mecha nism within our Unified-GCN, generating refined node representations for diagnostic prediction. Experimental results on the ADNI and ABIDE datasets demonstrate superior performance over existing methods. The code is available at https://github.com/XXYY20221234/Ada-FCN.

تقدم الورقة المعنونة 'Ada-FCN: الشبكة التكيفية المرتبطة بالتردد لتصنيف الاضطرابات الدماغية المستندة إلى التصوير بالرنين المغناطيسي الوظيفي' إطارًا جديدًا لتصنيف الاضطرابات الدماغية باستخدام التصوير بالرنين المغناطيسي الوظيفي في حالة الراحة. غالبًا ما تتجاهل النماذج التقليدية الطبيعة متعددة الترددات للاهتزازات العصبية، وتعامل إشارات BOLD كسلاسل زمنية أحادية. يحد هذا النهج من دقة التشخيص، حيث تتجلى الاضطرابات العصبية غالبًا كاضطرابات ضمن نطاقات تردد محددة. يستخدم الإطار المقترح، Ada-FCN، التحليل التكيفي المتسلسل لتحديد نطاقات التردد الفرعية ذات الصلة وتعلم الاتصال المرتبط بالتردد لتعزيز فهم الات…

El artículo titulado 'Ada-FCN: Red Adaptativa Acoplada por Frecuencia para la Clasificación de Trastornos Cerebrales Basada en fMRI' presenta un nuevo marco para clasificar trastornos cerebrales utilizando fMRI en reposo. Los modelos tradicionales a menudo pasan por alto la naturaleza multifrecuencia de las oscilaciones neuronales, tratando las señales BOLD como series temporales únicas. Este enfoque limita la precisión diagnóstica, ya que los trastornos neurológicos a menudo interrumpen bandas de frecuencia específicas. El marco propuesto, Ada-FCN, utiliza la Descomposición en Cascada Adaptat…

L'article intitulé 'Ada-FCN: Réseau Adaptatif Couplé par Fréquence pour la Classification des Troubles Cérébraux Basée sur l'IRMf' présente un nouveau cadre pour la classification des troubles cérébraux en utilisant l'IRMf au repos. Les modèles traditionnels négligent souvent la nature multi-fréquence des oscillations neuronales, traitant les signaux BOLD comme des séries temporelles uniques. Cette approche limite la précision diagnostique, car les troubles neurologiques perturbent fréquemment des bandes de fréquence spécifiques. Le cadre proposé, Ada-FCN, utilise la Décomposition en Cascade A…

The paper titled 'Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification' presents a new framework for classifying brain disorders using resting-state fMRI. Traditional models often overlook the multi-frequency nature of neuronal oscillations, treating BOLD signals as single time series. This approach limits diagnostic accuracy as neurological disorders frequently disrupt specific frequency bands. The proposed Ada-FCN framework utilizes Adaptive Cascade Decomposition to identify relevant frequency sub-bands and Frequency-Coupled Connectivity Learning to enhanc…

Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification

arXiv:2511.02558v2 Announce Type: replace-cross 
Abstract: Predicting future brain state from a baseline magnetic resonance image (MRI) is a central challenge in neuroimaging and has important implications for studying neurodegenerative diseases such as Alzheimer's disease (AD). Most existing approaches predict future cognitive scores or clinical outcomes, such as conversion from mild cognitive impairment to dementia. Instead, here we investigate longitudinal MRI image-to-image prediction that forecasts a participant's entire brain MRI several years into the future, intrinsically modeling complex, spatially distributed neurodegenerative patterns. We implement and evaluate five deep learning architectures (UNet, U2-Net, UNETR, Time-Embedding UNet, and ODE-UNet) on two longitudinal cohorts (ADNI and AIBL). Predicted follow-up MRIs are directly compared with the actual follow-up scans using metrics that capture global similarity and local differences. The best performing models achieve high-fidelity predictions, and all models generalize well to an independent external dataset, demonstrating robust cross-cohort performance. Our results indicate that deep learning can reliably predict participant-specific brain MRI at the voxel level, offering new opportunities for individualized prognosis.

طور الباحثون طريقة للتنبؤ بالحالات الدماغية المستقبلية باستخدام صور الرنين المغناطيسي الطولية، مع التركيز على الأنماط العصبية التنكسية المرتبطة بمرض الزهايمر. تستخدم هذه الطريقة خمس هياكل تعلم عميق للتنبؤ بصورة الرنين المغناطيسي للدماغ لدى المشاركين بعد عدة سنوات، مما يوفر رؤى حول تقدم تدهور الإدراك.

Investigadores han desarrollado un método para predecir futuros estados cerebrales utilizando escaneos de MRI longitudinales, centrándose en los patrones neurodegenerativos asociados con la enfermedad de Alzheimer. Este enfoque utiliza cinco arquitecturas de aprendizaje profundo para pronosticar la MRI cerebral de un participante varios años en el futuro, proporcionando información sobre la progresión del deterioro cognitivo.

Des chercheurs ont développé une méthode pour prédire les futurs états cérébraux à l'aide de scans IRM longitudinaux, en se concentrant sur les schémas neurodégénératifs associés à la maladie d'Alzheimer. Cette approche utilise cinq architectures d'apprentissage profond pour prévoir l'IRM cérébrale d'un participant plusieurs années à l'avance, fournissant des informations sur la progression du déclin cognitif.

Researchers have developed a method for predicting future brain states using longitudinal MRI scans, focusing on neurodegenerative patterns associated with Alzheimer's disease. This approach utilizes five deep learning architectures to forecast a participant's brain MRI several years ahead, providing insights into the progression of cognitive impairment.

Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification

Was this article worth reading? Share it

SnapChip

Nudge AI

Keywords AI