論文の概要: Cortical Surface Diffusion Generative Models

• arxiv url: http://arxiv.org/abs/2402.04753v1
• Date: Wed, 7 Feb 2024 11:12:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 15:52:17.956935
• Title: Cortical Surface Diffusion Generative Models
• Title（参考訳）: 皮質表面拡散生成モデル
• Authors: Zhenshan Xie, Simon Dahan, Logan Z. J. Williams, M. Jorge Cardoso, Emma C. Robinson
• Abstract要約: 皮質表面分析は、神経学的および発達障害に影響を及ぼす可能性から、注目を集めている。 従来の視覚拡散モデルは、自然な画像を生成するのに効果的であるが、限られたデータセットによる神経画像の複雑な発達パターンを捉えるのに限界がある。 本研究では, 改良型表面視覚変換器を主アーキテクチャとして, 皮質表面計測値の生成のための新しい拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 4.050721206558478
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cortical surface analysis has gained increased prominence, given its potential implications for neurological and developmental disorders. Traditional vision diffusion models, while effective in generating natural images, present limitations in capturing intricate development patterns in neuroimaging due to limited datasets. This is particularly true for generating cortical surfaces where individual variability in cortical morphology is high, leading to an urgent need for better methods to model brain development and diverse variability inherent across different individuals. In this work, we proposed a novel diffusion model for the generation of cortical surface metrics, using modified surface vision transformers as the principal architecture. We validate our method in the developing Human Connectome Project (dHCP), the results suggest our model demonstrates superior performance in capturing the intricate details of evolving cortical surfaces. Furthermore, our model can generate high-quality realistic samples of cortical surfaces conditioned on postmenstrual age(PMA) at scan.
• Abstract（参考訳）: 皮質表面分析は、神経学的および発達障害に影響を及ぼす可能性から、注目を集めている。 従来の視覚拡散モデルは、自然画像の生成に有効であるが、限られたデータセットによる神経画像における複雑な発達パターンのキャプチャに制限がある。 これは、皮質形態の個々の変動率が高い皮質表面の生成に特に当てはまり、脳の発達をモデル化するためのより良い方法と、異なる個人に固有の多様な変動性を緊急に要求する。 本研究では,修正表面視変換器を主アーキテクチャとして,皮質表面計測値の生成のための新しい拡散モデルを提案する。 我々は,ヒトコネクトーム・プロジェクト (dHCP) における本手法の有効性を検証し, 進化する皮質表面の複雑な詳細を捉える上で, 優れた性能を示すことを示す。 さらに,脳卒中後年齢(PMA)を基準とした高品質な皮質表面試料をスキャン時に生成することができる。

関連論文リスト

• Comparative Analysis of Diffusion Generative Models in Computational Pathology [11.698817924231854]
  拡散生成モデル(DGM)はコンピュータビジョンの分野における新たなトピックとして急速に浮上している。 本稿では,病的データセットに適用された拡散法について,詳細な比較分析を行った。 我々の分析は、様々な視野(FOV)を持つデータセットにまで拡張し、DGMが高品質な合成データを生成するのに非常に有効であることを明らかにした。
  論文  参考訳（メタデータ） (2024-11-24T05:09:43Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis [13.629617915974531]
  変形-回復拡散モデル (DRDM) は, 変形拡散と回復に基づく拡散モデルである。 DRDMは、不合理な変形成分の回復を学ぶために訓練され、ランダムに変形した各画像を現実的な分布に復元する。 心MRIおよび肺CTによる実験結果から,DRDMは多種多様(10%以上の画像サイズ変形スケール)の変形を生じさせることが示された。
  論文  参考訳（メタデータ） (2024-07-10T01:26:48Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Spatio-Temporal Encoding of Brain Dynamics with Surface Masked Autoencoders [10.097983222759884]
  表面仮面オートエンコーダ(sMAE)と表面仮面オートエンコーダ(MAE) これらのモデルは、皮質発達と構造関数の強力な潜在表現を学習することにより、入力のマスクされたバージョンから皮質特徴写像を再構築するように訓練されている。 以上の結果から, (v)sMAE事前学習モデルでは, 複数のタスクにおける表現型予測性能が約26%向上し,スクラッチからトレーニングしたモデルに対してより高速な収束が得られた。
  論文  参考訳（メタデータ） (2023-08-10T10:01:56Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
  本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。 我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
  論文  参考訳（メタデータ） (2022-06-13T03:41:31Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Neural Pharmacodynamic State Space Modeling [1.589915930948668]
  本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。 提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
  論文  参考訳（メタデータ） (2021-02-22T17:51:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。