論文の概要: Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion

• arxiv url: http://arxiv.org/abs/2402.13776v1
• Date: Wed, 21 Feb 2024 12:54:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-22 15:35:48.812850
• Title: Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion
• Title（参考訳）: cas-diffcom : 乳児縦型3次元医用画像補完のためのカスケード拡散モデル
• Authors: Lianghu Guo, Tianli Tao, Xinyi Cai, Zihao Zhu, Jiawei Huang, Lixuan Zhu, Zhuoyang Gu, Haifeng Tang, Rui Zhou, Siyan Han, Yan Liang, Qing Yang, Dinggang Shen, Han Zhang
• Abstract要約: 超高分解能・高分解能3次元乳児脳MRIにおける2段階拡散モデルCas-DiffComを提案する。 Cas-DiffCom は縦型乳幼児脳画像における個々の一貫性と高忠実度を両立することを確認した。
• 参考スコア（独自算出の注目度）: 47.83003164569194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early infancy is a rapid and dynamic neurodevelopmental period for behavior and neurocognition. Longitudinal magnetic resonance imaging (MRI) is an effective tool to investigate such a crucial stage by capturing the developmental trajectories of the brain structures. However, longitudinal MRI acquisition always meets a serious data-missing problem due to participant dropout and failed scans, making longitudinal infant brain atlas construction and developmental trajectory delineation quite challenging. Thanks to the development of an AI-based generative model, neuroimage completion has become a powerful technique to retain as much available data as possible. However, current image completion methods usually suffer from inconsistency within each individual subject in the time dimension, compromising the overall quality. To solve this problem, our paper proposed a two-stage cascaded diffusion model, Cas-DiffCom, for dense and longitudinal 3D infant brain MRI completion and super-resolution. We applied our proposed method to the Baby Connectome Project (BCP) dataset. The experiment results validate that Cas-DiffCom achieves both individual consistency and high fidelity in longitudinal infant brain image completion. We further applied the generated infant brain images to two downstream tasks, brain tissue segmentation and developmental trajectory delineation, to declare its task-oriented potential in the neuroscience field.
• Abstract（参考訳）: 幼少期は行動と神経認知の急速かつダイナミックな発達期である。 縦方向磁気共鳴画像(MRI)は、脳構造の発達軌跡を捉えることで、そのような重要な段階を解明するための有効な手段である。 しかし, 経時的MRIの取得は, 被験者の脱落やスキャンの失敗などによる深刻なデータ欠落の問題に常に対応し, 乳児期中脳房構築と発達過程の脱線を極めて困難にしている。 AIベースの生成モデルの開発により、ニューロ画像の完成は可能な限り多くのデータを保持できる強力な技術となった。 しかし、現在の画像補完法は通常、時間次元において各被験者内の不整合に悩まされ、全体的な品質を損なう。 そこで本研究では, 高密度・縦型3次元乳幼児脳mriの完成と超解像のための2段階カスケード拡散モデルcas-diffcomを提案した。 提案手法をBaby Connectome Project (BCP) データセットに適用した。 実験の結果,Cas-DiffComは縦型乳幼児脳画像における個々の一貫性と忠実度の両方を達成できることがわかった。 さらに, 生成した幼児脳像を2つの下流課題, 脳組織分節と発達軌道分節に応用し, 神経科学分野における課題指向のポテンシャルを宣言した。

関連論文リスト

• Modeling the Neonatal Brain Development Using Implicit Neural Representations [1.5550533143704954]
  本稿では,異なる時間点の2次元および3次元画像を予測するニューラルネットワーク,特に暗黙的ニューラル表現(INR)を提案する。 被写体特異的な発達過程をモデル化するには,INRの潜伏空間における被写体同一性から年齢を遠ざける必要がある。 本稿では,本手法がメモリ効率のよい方法で適用可能であることを示し,特に3次元データにおいて重要であることを示す。
  論文  参考訳（メタデータ） (2024-08-16T10:22:54Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion [45.361733575664886]
  乳児の脳画像補完のための新しい長周期インフォームド拡散モデルであるLoCI-DiffComを提案する。 提案手法は,コンテキスト認識の整合性を確保しつつ,個別化された発達特徴を抽出することができる。
  論文  参考訳（メタデータ） (2024-05-17T10:53:40Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• SynthBrainGrow: Synthetic Diffusion Brain Aging for Longitudinal MRI Data Generation in Young People [0.49478969093606673]
  合成長手脳MRIは、脳の老化をシミュレートし、神経発達と神経変性の条件についてより効率的な研究を可能にする。 人工脳老化のための拡散型アプローチであるSynthBrainGrowを2年連続で提案する。 以上の結果から,SynthBrainGrowは細部構造を正確に把握し,心室拡張や大脳皮質の薄化などの構造変化をシミュレートできることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T20:47:40Z)
• Continuous longitudinal fetus brain atlas construction via implicit neural representation [8.593931751099944]
  本研究では,4次元脳量+1次元年齢画像データ記述タスクとして,時間不整合問題に対処する多段階ディープラーニングフレームワークを提案する。 暗黙の表現を用いて、4次元空間座標の関数として、連続的かつノイズのない縦型胎児脳アトラスを構築した。
  論文  参考訳（メタデータ） (2022-09-14T04:51:17Z)
• Cross-Modality Neuroimage Synthesis: A Survey [71.27193056354741]
  マルチモダリティイメージングは、疾患の診断を改善し、解剖学的特性を持つ組織における相違を明らかにする。 完全な整列とペアの多モードニューロイメージングデータの存在は、脳研究においてその効果を証明している。 もう一つの解決策は、教師なしまたは弱教師なしの学習方法を探究し、欠落した神経画像データを合成することである。
  論文  参考訳（メタデータ） (2022-02-14T19:29:08Z)
• Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
  磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。 バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。 最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
  論文  参考訳（メタデータ） (2021-12-23T14:51:45Z)
• Neurodevelopmental Age Estimation of Infants Using a 3D-Convolutional Neural Network Model based on Fusion MRI Sequences [0.08341869765517104]
  脳が正常に発達しているかどうかを判断する能力は、小児神経放射線学と神経学の重要な要素である。 3次元畳み込みニューラルネットワーク(3D CNN)を用いて,脳の発達年齢を共通MRIを用いて迅速に分類した。
  論文  参考訳（メタデータ） (2020-10-07T01:24:15Z)

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。