論文の概要: TimeFlow: Temporal Conditioning for Longitudinal Brain MRI Registration and Aging Analysis

• arxiv url: http://arxiv.org/abs/2501.08667v3
• Date: Tue, 26 Aug 2025 14:31:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 19:49:13.973786
• Title: TimeFlow: Temporal Conditioning for Longitudinal Brain MRI Registration and Aging Analysis
• Title（参考訳）: TimeFlow: 経時的脳MRIレジストレーションと加齢解析のための時間条件付け
• Authors: Bailiang Jian, Jiazhen Pan, Yitong Li, Fabian Bongratz, Ruochen Li, Daniel Rueckert, Benedikt Wiestler, Christian Wachinger,
• Abstract要約: 縦型脳MRI登録のための学習ベースフレームワークであるemphTimeFlowを紹介する。 TimeFlowは正確な時間的コヒーレントな変形場を推定し、非線形外挿によって将来の脳の状態を予測する。 セグメンテーションを必要とせず、正常な老化から神経変性軌道を区別することで、新しい生物学的脳老化解析を支援する。
• 参考スコア（独自算出の注目度）: 27.24919836652973
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Longitudinal brain analysis is essential for understanding healthy aging and identifying pathological deviations. Longitudinal registration of sequential brain MRI underpins such analyses. However, existing methods are limited by reliance on densely sampled time series, a trade-off between accuracy and temporal smoothness, and an inability to prospectively forecast future brain states. To overcome these challenges, we introduce \emph{TimeFlow}, a learning-based framework for longitudinal brain MRI registration. TimeFlow uses a U-Net backbone with temporal conditioning to model neuroanatomy as a continuous function of age. Given only two scans from an individual, TimeFlow estimates accurate and temporally coherent deformation fields, enabling non-linear extrapolation to predict future brain states. This is achieved by our proposed inter-/extra-polation consistency constraints applied to both the deformation fields and deformed images. Remarkably, these constraints preserve temporal consistency and continuity without requiring explicit smoothness regularizers or densely sampled sequential data. Extensive experiments demonstrate that TimeFlow outperforms state-of-the-art methods in terms of both future timepoint forecasting and registration accuracy. Moreover, TimeFlow supports novel biological brain aging analyses by differentiating neurodegenerative trajectories from normal aging without requiring segmentation, thereby eliminating the need for labor-intensive annotations and mitigating segmentation inconsistency. TimeFlow offers an accurate, data-efficient, and annotation-free framework for longitudinal analysis of brain aging and chronic diseases, capable of forecasting brain changes beyond the observed study period.
• Abstract（参考訳）: 経時的脳分析は、健康な老化を理解し、病理学的逸脱を識別するために不可欠である。 シーケンシャル脳MRIの経時的登録は、そのような分析を支えている。 しかし、既存の手法は、厳密にサンプリングされた時系列に依存すること、精度と時間的滑らかさのトレードオフ、将来の脳状態を予測できないことなどによって制限されている。 これらの課題を克服するために、縦型脳MRI登録のための学習ベースのフレームワークである \emph{TimeFlow} を紹介した。 TimeFlowは、時間条件付きU-Netバックボーンを使用して、神経解剖学を年齢の連続的な機能としてモデル化する。 個人からのスキャンが2つしかないと、TimeFlowは正確な時間的コヒーレントな変形場を推定し、非線形外挿によって将来の脳の状態を予測する。 本手法は, 変形場と変形画像の両方に適用した相互/外部補間整合性制約により実現される。 顕著なことに、これらの制約は、明示的な滑らかさ正規化子や高密度サンプリングされたシーケンシャルデータを必要としない、時間的一貫性と連続性を保っている。 広範な実験により、TimeFlowは将来のタイムポイント予測と登録精度の両面で最先端の手法より優れていることが示された。 さらに、TimeFlowは、分節を必要とせず、正常な老化から神経変性軌跡を区別することにより、新たな生物学的老化解析をサポートし、労働集約的なアノテーションの必要性を排除し、分節不整を緩和する。 TimeFlowは、脳老化と慢性疾患の経時的分析のための正確で、データ効率が高く、アノテーションのないフレームワークを提供し、観察された研究期間を超えて脳の変化を予測することができる。

関連論文リスト

• An Exact Gradient Framework for Training Spiking Neural Networks [0.7366405857677227]
  スパイクニューラルネットワークは本質的に、離散スパイクイベントの正確なタイミングを情報処理に頼っている。 本稿では、シナプス重みと伝送遅延に関して正確な損失勾配を計算するイベント駆動学習フレームワークを提案する。 複数のベンチマークの実験では、既存の手法と比較して精度(最大7%)、タイミング精度、堅牢性が顕著に向上した。
  論文  参考訳（メタデータ） (2025-07-08T11:55:27Z)
• TLRN: Temporal Latent Residual Networks For Large Deformation Image Registration [4.272666443603612]
  本稿では,時系列画像登録における変形フィールドの列を予測するため,TLRN(en Temporal Latent Residual Network)と呼ばれる新しい手法を提案する。 提案手法は, 時間的初期速度場によってパラメータ化される遅延変形空間において, 残留ブロックを慎重に設計した時間的残差ネットワークである。
  論文  参考訳（メタデータ） (2024-07-15T20:07:45Z)
• ImageFlowNet: Forecasting Multiscale Image-Level Trajectories of Disease Progression with Irregularly-Sampled Longitudinal Medical Images [44.107186498384024]
  ImageFlowNetは、空間的詳細を保存しながら、初期画像から疾患軌跡を予測するために設計された新しいモデルである。 我々は、ODEの定式化を支援し、高レベルの視覚的特徴を含む正規化を動機付ける理論的洞察を提供する。 私たちのコントリビューションには、ImageFlowNetの開発、実世界のデータセットに関する理論的および実証的な検証が含まれています。
  論文  参考訳（メタデータ） (2024-06-20T23:51:32Z)
• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。 本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-27T05:53:30Z)
• The Disappearance of Timestep Embedding in Modern Time-Dependent Neural Networks [11.507779310946853]
  本稿では、時間依存ニューラルネットワークの時間認識を無効にする時間ステップ埋め込みの脆弱性を報告する。 我々の分析は、この現象の詳細な説明と、根本原因に対処するいくつかの解決策を提供する。
  論文  参考訳（メタデータ） (2024-05-23T02:58:23Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• 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)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。