論文の概要: Neural Autoregressive Modeling of Brain Aging

• arxiv url: http://arxiv.org/abs/2507.22954v1
• Date: Tue, 29 Jul 2025 20:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:08.40565
• Title: Neural Autoregressive Modeling of Brain Aging
• Title（参考訳）: 脳老化の神経自己回帰モデル
• Authors: Ridvan Yesiloglu, Wei Peng, Md Tauhidul Islam, Ehsan Adeli,
• Abstract要約: データの高次元性、年齢による構造の微妙な変化、および主観的なパターンは、老化した脳の合成における課題である。 生成自己回帰変換器に基づく新しい脳老化シミュレーションモデルであるNeuroARを提案する。 NeuroARは、LDMを含む重要なモデルよりも優れており、被写体特異的な老化軌道を高い忠実度でモデル化する能力を示している。
• 参考スコア（独自算出の注目度）: 13.402122520389366
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain aging synthesis is a critical task with broad applications in clinical and computational neuroscience. The ability to predict the future structural evolution of a subject's brain from an earlier MRI scan provides valuable insights into aging trajectories. Yet, the high-dimensionality of data, subtle changes of structure across ages, and subject-specific patterns constitute challenges in the synthesis of the aging brain. To overcome these challenges, we propose NeuroAR, a novel brain aging simulation model based on generative autoregressive transformers. NeuroAR synthesizes the aging brain by autoregressively estimating the discrete token maps of a future scan from a convenient space of concatenated token embeddings of a previous and future scan. To guide the generation, it concatenates into each scale the subject's previous scan, and uses its acquisition age and the target age at each block via cross-attention. We evaluate our approach on both the elderly population and adolescent subjects, demonstrating superior performance over state-of-the-art generative models, including latent diffusion models (LDM) and generative adversarial networks, in terms of image fidelity. Furthermore, we employ a pre-trained age predictor to further validate the consistency and realism of the synthesized images with respect to expected aging patterns. NeuroAR significantly outperforms key models, including LDM, demonstrating its ability to model subject-specific brain aging trajectories with high fidelity.
• Abstract（参考訳）: 脳老化合成は、臨床および計算神経科学の幅広い応用において重要な課題である。 初期のMRIで被験者の脳の構造的進化を予測する能力は、老化の軌跡に関する貴重な洞察を与えてくれる。 しかし、データの高次元性、年齢による構造の微妙な変化、そして主観的なパターンは、老化した脳の合成における課題となっている。 これらの課題を克服するために,生成的自己回帰変換器に基づく新しい脳老化シミュレーションモデルであるNeuroARを提案する。 NeuroARは、将来のスキャンの離散トークンマップを、前と将来のスキャンの連結トークン埋め込みの便利な空間から自動回帰的に推定することで、老化した脳を合成する。 生成をガイドするために、被験者の以前のスキャンを拡大するごとに結合し、その取得年齢と目標年齢を、クロスアテンションを介して各ブロックで使用する。 我々は, 高齢者と青年の双方に対するアプローチを評価し, 画像の忠実度の観点から, 潜時拡散モデル (LDM) や生成対向ネットワークなど, 最先端の世代モデルよりも優れた性能を示した。 さらに、予測老化パターンに対する合成画像の一貫性とリアリズムをさらに検証するために、事前学習した年齢予測器を用いる。 NeuroARは、LDMを含む重要なモデルよりも優れており、被写体特異的な老化軌道を高い忠実度でモデル化する能力を示している。

関連論文リスト

• Synthesizing Individualized Aging Brains in Health and Disease with Generative Models and Parallel Transport [3.43699245553078]
  InBrainSynは、アルツハイマー病(AD)と正常な老化をシミュレートする高分解能被検者特異的MRIスキャンのためのフレームワークである。 InBrainSynは、並列トランスポートアルゴリズムを使用して、生成的な深層テンプレートネットワークによって学習された人口レベルの老化軌道に適応する。 全体としては、単一のベースラインスキャンだけで、InBrainSynは現実的な3D時間的T1w MRIスキャンを合成し、パーソナライズされた経年変化の軌跡を生成する。
  論文  参考訳（メタデータ） (2025-02-28T13:45:09Z)
• Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
  脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。 各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。 以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
  論文  参考訳（メタデータ） (2025-01-02T19:37:09Z)
• 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)
• 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)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• NeuroCine: Decoding Vivid Video Sequences from Human Brain Activties [23.893490180665996]
  本稿では,fMRIデータを復号化するための新たな二相フレームワークであるNeuroCineを紹介する。 公開されているfMRIデータセットでテストした結果,有望な結果が得られた。 このモデルが既存の脳構造や機能と一致し,その生物学的妥当性と解釈可能性を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-02-02T17:34:25Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• 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)
• Overcoming the Domain Gap in Contrastive Learning of Neural Action Representations [60.47807856873544]
  神経科学の基本的な目標は、神経活動と行動の関係を理解することである。 我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。 このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
  論文  参考訳（メタデータ） (2021-11-29T15:27:51Z)

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。