論文の概要: Modeling the Neonatal Brain Development Using Implicit Neural Representations
- arxiv url: http://arxiv.org/abs/2408.08647v1
- Date: Fri, 16 Aug 2024 10:22:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 15:57:38.988691
- Title: Modeling the Neonatal Brain Development Using Implicit Neural Representations
- Title（参考訳）: Inlicit Neural Representation を用いた新生児脳発達のモデル化
- Authors: Florentin Bieder, Paul Friedrich, Hélène Corbaz, Alicia Durrer, Julia Wolleb, Philippe C. Cattin,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5550533143704954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The human brain undergoes rapid development during the third trimester of pregnancy. In this work, we model the neonatal development of the infant brain in this age range. As a basis, we use MR images of preterm- and term-birth neonates from the developing human connectome project (dHCP). We propose a neural network, specifically an implicit neural representation (INR), to predict 2D- and 3D images of varying time points. In order to model a subject-specific development process, it is necessary to disentangle the age from the subjects' identity in the latent space of the INR. We propose two methods, Subject Specific Latent Vectors (SSL) and Stochastic Global Latent Augmentation (SGLA), enabling this disentanglement. We perform an analysis of the results and compare our proposed model to an age-conditioned denoising diffusion model as a baseline. We also show that our method can be applied in a memory-efficient way, which is especially important for 3D data.
- Abstract（参考訳）: ヒトの脳は妊娠3年目の間に急速に発達する。
本研究では,この年齢帯における新生児脳の発達をモデル化する。
本研究は, 発達期ヒトコネクトームプロジェクト(dHCP)から, 初期および中期の新生児のMRI画像を用いた。
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,SGLA(Stochastic Global Latent Augmentation)とSSL(Stochastic Global Latent Vectors)の2つの手法を提案する。
結果を分析し,提案モデルと年齢条件付き偏微分拡散モデルとをベースラインとして比較する。
また,本手法は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。
関連論文リスト
- 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) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Modeling 3D Infant Kinetics Using Adaptive Graph Convolutional Networks [2.2279946664123664]
自発運動、運動学(orkinetics)は、今後の神経発達の強力なサロゲート指標を提供する。
そこで本研究では,個々の運動パターンのデータ駆動評価に基づいて,乳幼児の成熟を予測するための代替手法を提案する。
論文 参考訳（メタデータ） (2024-02-22T09:34:48Z) - 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) - 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) - 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) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z) - Brain Age Estimation Using LSTM on Children's Brain MRI [4.452516574196706]
脳MRIの3次元容積を2次元画像の系列とみなし,脳年齢推定に再帰的ニューラルネットワークを用いた新しい枠組みを提案する。
提案手法は2D-ResNet18+Long短期メモリ(LSTM)と命名され,2次元画像の特徴抽出用2D ResNet18,シーケンス上の特徴低減用プール層,LSTM層,最終回帰層からなる。
論文 参考訳（メタデータ） (2020-02-20T22:27:52Z)
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。