論文の概要: Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion

• arxiv url: http://arxiv.org/abs/2502.08560v1
• Date: Wed, 12 Feb 2025 16:47:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:57.059604
• Title: Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion
• Title（参考訳）: 脳の潜伏進行 : 潜伏拡散による3次元脳MRIにおける時空間時空間病変の進行
• Authors: Lemuel Puglisi, Daniel C. Alexander, Daniele Ravì,
• Abstract要約: 進行脳潜時モデル(BrLP)は3次元脳MRIで個々の疾患レベルの進行を予測するように設計されている。 BrLPを2,805例のT1強調(T1w)脳MRIで訓練し,962例の2,257例の外部MRIでその一般化性を検証した。
• 参考スコア（独自算出の注目度）: 2.7853513988338108
• License:
• Abstract: The growing availability of longitudinal Magnetic Resonance Imaging (MRI) datasets has facilitated Artificial Intelligence (AI)-driven modeling of disease progression, making it possible to predict future medical scans for individual patients. However, despite significant advancements in AI, current methods continue to face challenges including achieving patient-specific individualization, ensuring spatiotemporal consistency, efficiently utilizing longitudinal data, and managing the substantial memory demands of 3D scans. To address these challenges, we propose Brain Latent Progression (BrLP), a novel spatiotemporal model designed to predict individual-level disease progression in 3D brain MRIs. The key contributions in BrLP are fourfold: (i) it operates in a small latent space, mitigating the computational challenges posed by high-dimensional imaging data; (ii) it explicitly integrates subject metadata to enhance the individualization of predictions; (iii) it incorporates prior knowledge of disease dynamics through an auxiliary model, facilitating the integration of longitudinal data; and (iv) it introduces the Latent Average Stabilization (LAS) algorithm, which (a) enforces spatiotemporal consistency in the predicted progression at inference time and (b) allows us to derive a measure of the uncertainty for the prediction. We train and evaluate BrLP on 11,730 T1-weighted (T1w) brain MRIs from 2,805 subjects and validate its generalizability on an external test set comprising 2,257 MRIs from 962 subjects. Our experiments compare BrLP-generated MRI scans with real follow-up MRIs, demonstrating state-of-the-art accuracy compared to existing methods. The code is publicly available at: https://github.com/LemuelPuglisi/BrLP.
• Abstract（参考訳）: 縦方向磁気共鳴イメージング(MRI)データセットの利用が増加し、人工知能(AI)による疾患進行のモデリングが促進され、個々の患者に対する将来の医療スキャンを予測できるようになった。 しかし、AIの大幅な進歩にもかかわらず、現在の手法は、患者固有の個別化の実現、時空間整合性の確保、経時的データの利用、そして3Dスキャンの実質的なメモリ要求の管理といった課題に直面し続けている。 これらの課題に対処するために,脳卒中進行(BrLP)という新しい時空間モデルを提案する。 BrLPの主な貢献は次の4つである。 (i)高次元画像データによる計算上の課題を緩和し、小さな潜伏空間で機能する。 二 予測の個別化を強化するため、対象メタデータを明示的に統合すること。 三 補助的モデルにより病気のダイナミクスに関する先行知識を取り入れ、縦断データの統合を容易にする。 (iv)Latent Average Stabilization (LAS)アルゴリズムを導入。 (a)推定時間における予測進行の時空間的一貫性を強制し、 b) 予測の不確実性の尺度を導出することができる。 我々は,11,730T1強調脳MRI(T1w)を2,805名の被験者からトレーニング,評価し,962名の被験者の2,257個のMRIからなる外的テストセットでその一般化性を検証した。 本実験では, BrLP 生成MRI スキャンと実際の追跡MRIを比較し, 既存の方法と比較して最先端の精度を実証した。 コードはhttps://github.com/LemuelPuglisi/BrLPで公開されている。

関連論文リスト

• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
  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。
  論文  参考訳（メタデータ） (2024-06-18T09:00:49Z)
• 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)
• 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)
• 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)
• 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)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• 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)
• Generative Aging of Brain Images with Diffeomorphic Registration [3.645542167239258]
  脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。 本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T08:37:24Z)
• 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)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)

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。