ringgee.com

이 이메일 도메인이 관측된 논문 1건

arXiv:2609.09728v1cs.LG

EEGBind: EEG 중심 멀티모달 바인딩을 통한 발작간 뇌전증모양 방전(IED)의 발생원 수준 검출

EEGBind: Detecting Source-Level Interictal Epileptiform Discharges via EEG-Centric Multimodal Binding

발작간 뇌전증모양 방전(IED)의 발생원 수준(source-level) 분석은 뇌전증모양 활동이 어디서 발생할 가능성이 높은지 특성화하는 데 도움을 주므로, 수술 전 평가 및 치료 계획 수립에 중요합니다. IED의 존재 여부를 감지하는 것을 넘어, 이러한 설정은 IED 양성 활동을 임상적으로 유의미한 뇌 영역 범주에 할당하는 것을 요구합니다. 짧은 뇌파(EEG) 윈도우 내의 발생원 영역 증거는 미세하고 부분적일 수 있으며, 피험자 간 변동성, 클래스 불균형, 불완전한 멀티모달 컨텍스트의 영향을 받기 때문에 이 설정은 까다롭습니다. 본 논문에서는 5개 클래스 발생원 수준 IED 분류(classification)를 위한 EEG 중심 멀티모달 바인딩 프레임워크인 EEGBind를 제시합니다. EEGBind는 EEG를 기본 모달리티로 취급하며, 동기화된 비디오 컨텍스트 특징을 EEG 중심 표현 주변에 바인딩합니다. 발생원에 민감한 EEG 표현을 왜곡할 수 있는 초기 융합이나 지나치게 강한 멀티모달 융합에 의존하는 대신, EEGBind는 비디오 컨텍스트를 강건한 분류를 위한 보조 증거로 활용합니다. 또한 학습된 발생원 클래스 경계를 보존하면서 히든셋(hidden-set) 강건성을 개선하기 위해 뷰 일관성 복구(view-consistent repair) 단계가 추가로 사용됩니다. NeuroMM 2026 Grand Challenge Track 3 NMM-Source-IED 벤치마크(benchmark)에서 EEGBind는 가중 F1(weighted-F1) 0.8395를 달성하며 강력한 경쟁 모델들을 능가합니다. 이러한 결과는 EEG 중심 멀티모달 바인딩이 발생원 수준 IED 분류를 위한 실용적인 전략임을 뒷받침합니다. 오픈 소스 코드는 https://github.com/HKUSTGZ-ML4Health-Lab/NeuroMM2026_IED_Detection 에서 확인할 수 있습니다.