論文の概要: LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion

• arxiv url: http://arxiv.org/abs/2405.10691v1
• Date: Fri, 17 May 2024 10:53:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 16:22:57.700976
• Title: LoCI-DiffCom: Longitudinal Consistency-Informed Diffusion Model for 3D Infant Brain Image Completion
• Title（参考訳）: LoCI-DiffCom:3次元脳画像補完のための経時的一貫性インフォームド拡散モデル
• Authors: Zihao Zhu, Tianli Tao, Yitian Tao, Haowen Deng, Xinyi Cai, Gaofeng Wu, Kaidong Wang, Haifeng Tang, Lixuan Zhu, Zhuoyang Gu, Jiawei Huang, Dinggang Shen, Han Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 45.361733575664886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The infant brain undergoes rapid development in the first few years after birth.Compared to cross-sectional studies, longitudinal studies can depict the trajectories of infants brain development with higher accuracy, statistical power and flexibility.However, the collection of infant longitudinal magnetic resonance (MR) data suffers a notorious dropout problem, resulting in incomplete datasets with missing time points. This limitation significantly impedes subsequent neuroscience and clinical modeling. Yet, existing deep generative models are facing difficulties in missing brain image completion, due to sparse data and the nonlinear, dramatic contrast/geometric variations in the developing brain. We propose LoCI-DiffCom, a novel Longitudinal Consistency-Informed Diffusion model for infant brain image Completion,which integrates the images from preceding and subsequent time points to guide a diffusion model for generating high-fidelity missing data. Our designed LoCI module can work on highly sparse sequences, relying solely on data from two temporal points. Despite wide separation and diversity between age time points, our approach can extract individualized developmental features while ensuring context-aware consistency. Our experiments on a large infant brain MR dataset demonstrate its effectiveness with consistent performance on missing infant brain MR completion even in big gap scenarios, aiding in better delineation of early developmental trajectories.
• Abstract（参考訳）: 乳児の脳は生後数年で急速に発達し、横断的な研究と比較すると、乳児の脳の発達の軌跡を高い精度、統計力、柔軟性で表すことができるが、乳児の経時的磁気共鳴(MR)データの収集は悪名高い問題に悩まされ、不完全なデータセットが欠落した。 この制限は、その後の神経科学と臨床モデリングを著しく阻害する。 しかし、既存の深部生成モデルは、スパースデータと、発達する脳の非線形で劇的なコントラスト/幾何学的変化のために、脳画像の完成を欠いている。 乳幼児の脳画像コンプリートのための新しい長周期整合インフォームド拡散モデルであるLoCI-DiffComを提案する。 設計した LoCI モジュールは,2つの時間的点からのデータにのみ依存して,高度にスパースなシーケンスで動作することができる。 年齢差の偏りや多様性は大きいが,本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。 乳幼児大脳MRデータセットを用いた実験では, 乳幼児大脳MR像の消失例においても, 乳幼児大脳MR像の再現性が向上し, 発達過程の経時的変化が改善した。

関連論文リスト

• SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions [4.543154658281538]
  脳年齢と時間年齢のギャップは、PAD(予測年齢差)と呼ばれ、神経変性の状況を調べるために利用されてきた。 脳年齢はMRIと機械学習技術を用いて予測できる。 我々は、脳年齢を予測するために設計された堅牢なディープラーニングモデル、Synthetic Brain Age(SynthBA)を紹介する。
  論文  参考訳（メタデータ） (2024-06-01T08:58:40Z)
• 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)
• Cas-DiffCom: Cascaded diffusion model for infant longitudinal super-resolution 3D medical image completion [47.83003164569194]
  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。
  論文  参考訳（メタデータ） (2024-02-21T12:54:40Z)
• Long Short-term Memory with Two-Compartment Spiking Neuron [64.02161577259426]
  LSTM-LIFとよばれる,生物学的にインスパイアされたLong Short-Term Memory Leaky Integrate-and-Fireのスパイキングニューロンモデルを提案する。 実験結果は,時間的分類タスクの多種多様な範囲において,優れた時間的分類能力,迅速な訓練収束,ネットワークの一般化性,LSTM-LIFモデルの高エネルギー化を実証した。 したがって、この研究は、新しいニューロモルフィック・コンピューティング・マシンにおいて、困難な時間的処理タスクを解決するための、無数の機会を開放する。
  論文  参考訳（メタデータ） (2023-07-14T08:51:03Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• 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)
• Longitudinal Correlation Analysis for Decoding Multi-Modal Brain Development [17.970347089803596]
  縦相関解析(LCA)という解析手法を提案する。 LCAは、まず各モーダルからの入力をオートエンコーダに基づく潜在表現に還元することで、2つのモーダルのデータを結合する。 若年者におけるアルコール・神経発達に関する全国コンソーシアム679名の縦断的T1強調および拡散強調MRI解析にLCAを適用した。
  論文  参考訳（メタデータ） (2021-07-10T00:07:06Z)

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。