論文の概要: TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI

• arxiv url: http://arxiv.org/abs/2406.12411v1
• Date: Tue, 18 Jun 2024 09:00:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 19:46:52.546273
• Title: TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI
• Title（参考訳）: TADM : 脳MRIにおける神経変性進行の時間的認識拡散モデル
• Authors: Mattia Litrico, Francesco Guarnera, Valerio Giuffirda, Daniele Ravì, Sebastiano Battiato,
• Abstract要約: 時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。 トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。 我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
• 参考スコア（独自算出の注目度）: 4.414541804340033
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generating realistic images to accurately predict changes in the structure of brain MRI is a crucial tool for clinicians. Such applications help assess patients' outcomes and analyze how diseases progress at the individual level. However, existing methods for this task present some limitations. Some approaches attempt to model the distribution of MRI scans directly by conditioning the model on patients' ages, but they fail to explicitly capture the relationship between structural changes in the brain and time intervals, especially on age-unbalanced datasets. Other approaches simply rely on interpolation between scans, which limits their clinical application as they do not predict future MRIs. To address these challenges, we propose a Temporally-Aware Diffusion Model (TADM), which introduces a novel approach to accurately infer progression in brain MRIs. TADM learns the distribution of structural changes in terms of intensity differences between scans and combines the prediction of these changes with the initial baseline scans to generate future MRIs. Furthermore, during training, we propose to leverage a pre-trained Brain-Age Estimator (BAE) to refine the model's training process, enhancing its ability to produce accurate MRIs that match the expected age gap between baseline and generated scans. Our assessment, conducted on the OASIS-3 dataset, uses similarity metrics and region sizes computed by comparing predicted and real follow-up scans on 3 relevant brain regions. TADM achieves large improvements over existing approaches, with an average decrease of 24% in region size error and an improvement of 4% in similarity metrics. These evaluations demonstrate the improvement of our model in mimicking temporal brain neurodegenerative progression compared to existing methods. Our approach will benefit applications, such as predicting patient outcomes or improving treatments for patients.
• Abstract（参考訳）: 脳MRIの構造変化を正確に予測するために現実的な画像を生成することは、臨床医にとって重要なツールである。 このような応用は、患者の結果を評価し、個々のレベルで疾患がどのように進行するかを分析するのに役立つ。 しかし、このタスクの既存のメソッドにはいくつかの制限がある。 いくつかのアプローチでは、患者の年齢に応じてMRIスキャンの分布を直接モデル化しようとするが、脳の構造変化と時間間隔、特に年齢不均衡データセットとの関係を明示的に把握することができない。 他のアプローチは単にスキャン間の補間に依存しており、将来のMRIを予測しないため臨床応用は制限される。 これらの課題に対処するために,脳MRIの進行を正確に推定するための新しいアプローチを提案するTADM(Temporally-Aware Diffusion Model)を提案する。 TADMはスキャン間の強度差による構造変化の分布を学習し、これらの変化の予測と初期ベースラインスキャンを組み合わせて将来のMRIを生成する。 さらに、トレーニング中に、トレーニングプロセスの洗練のためにトレーニング済みのBrain-Age Estimator(BAE)を利用することを提案し、ベースラインと生成されたスキャンの年齢差に一致する正確なMRIを生成する能力を向上させる。 OASIS-3データセットを用いて行った評価では,3つの脳領域における予測と実際のフォローアップスキャンを比較して,類似度と領域サイズを算出した。 TADMは既存のアプローチよりも大幅に改善されており、リージョンサイズエラーの24%、類似度メトリクスの4%が平均で改善されている。 これらの評価は、従来の方法と比較して時間的脳神経変性の進行を模倣するモデルの改善を示すものである。 我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• Enhancing Spatiotemporal Disease Progression Models via Latent Diffusion and Prior Knowledge [2.7853513988338108]
  本稿では,潜伏拡散に基づく時間的疾患モデルであるBrain LaLAS(BrLP)を紹介する。 BrLPは3D脳の進行MRIで個々のレベルでの疾患の進化を予測するように設計されている。
  論文  参考訳（メタデータ） (2024-05-06T10:07:16Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• 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)
• Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery MRI Estimation / Synthesis for Multiple Sclerosis [0.0]
  多発性硬化症(Multiple Sclerosis、MS)は、慢性進行性神経疾患である。 脳MRI(FLAIR brain magnetic resonance imaging)は、他のMRI法と比較して、MS病変のより優れた可視化と特徴を提供する。 MSの縦断脳FLAIR MRIは、経時的に患者を反復的に画像化することで、臨床医が疾患の進行をモニタリングするための有用な情報を提供する。 様々な時間ラグを伴う将来の脳MRI検査の予測は、健康な老化やアルツハイマー病の構造的変性など、限られた用途でのみ試みられている。
  論文  参考訳（メタデータ） (2022-09-09T12:42:00Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• An explainable two-dimensional single model deep learning approach for Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
  本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。 提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。 実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2021-07-28T07:19:00Z)
• Patch-based Brain Age Estimation from MR Images [64.66978138243083]
  磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。 より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。 我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
  論文  参考訳（メタデータ） (2020-08-29T11:50:37Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。