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
- 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) - Metapopulation Graph Neural Networks: Deep Metapopulation Epidemic
Modeling with Human Mobility [14.587916407752719]
多段階多地域流行予測のための新しいハイブリッドモデルMepoGNNを提案する。
本モデルでは, 確認症例数だけでなく, 疫学的パラメータも明示的に学習できる。
論文 参考訳(メタデータ) (2023-06-26T17:09:43Z) - Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
本稿では,病変欠損モデル比較のための包括的枠組みを提案する。
また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。
我々の分析は、このアプローチの広く採用されていることを正当化する。
論文 参考訳(メタデータ) (2023-05-27T13:49:35Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation
of Brain Atrophy using Deep Networks [5.411313268782566]
健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。
このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。
その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
論文 参考訳(メタデータ) (2021-08-18T15:58:53Z) - 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。