論文の概要: Controllable Surface Diffusion Generative Model for Neurodevelopmental Trajectories

• arxiv url: http://arxiv.org/abs/2508.03706v1
• Date: Mon, 21 Jul 2025 09:16:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-10 09:30:49.334069
• Title: Controllable Surface Diffusion Generative Model for Neurodevelopmental Trajectories
• Title（参考訳）: 神経発達軌道の制御可能な表面拡散生成モデル
• Authors: Zhenshan Xie, Levente Baljer, M. Jorge Cardoso, Emma Robinson,
• Abstract要約: 本稿では,皮質成熟の制御可能なシミュレーションを支援する新しいグラフ拡散ネットワークを提案する。 本研究では, 個別に訓練した年齢回帰ネットワークを騙すのに十分な精度で大脳皮質成熟度をモデル化しながら, 対象特異的な皮質形態を維持できることを実証する。
• 参考スコア（独自算出の注目度）: 2.630319261167542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Preterm birth disrupts the typical trajectory of cortical neurodevelopment, increasing the risk of cognitive and behavioral difficulties. However, outcomes vary widely, posing a significant challenge for early prediction. To address this, individualized simulation offers a promising solution by modeling subject-specific neurodevelopmental trajectories, enabling the identification of subtle deviations from normative patterns that might act as biomarkers of risk. While generative models have shown potential for simulating neurodevelopment, prior approaches often struggle to preserve subject-specific cortical folding patterns or to reproduce region-specific morphological variations. In this paper, we present a novel graph-diffusion network that supports controllable simulation of cortical maturation. Using cortical surface data from the developing Human Connectome Project (dHCP), we demonstrate that the model maintains subject-specific cortical morphology while modeling cortical maturation sufficiently well to fool an independently trained age regression network, achieving a prediction accuracy of $0.85 \pm 0.62$.
• Abstract（参考訳）: 出生前は皮質神経発達の典型的な軌跡を乱し、認知障害や行動障害のリスクを増大させる。 しかし、結果は様々であり、早期の予測には大きな課題がある。 これを解決するために、個別化されたシミュレーションは、被験者固有の神経発達軌道をモデル化し、リスクのバイオマーカーとして機能する規範的パターンからの微妙な逸脱を識別することで、有望な解決策を提供する。 生成モデルは神経発達をシミュレートする可能性があるが、以前のアプローチでは、主観的な皮質の折りたたみパターンの保存や、地域固有の形態変化の再現に苦慮することが多い。 本稿では,皮質成熟の制御可能なシミュレーションを支援する新しいグラフ拡散ネットワークを提案する。 開発したHuman Connectome Project (dHCP) の皮質表面データを用いて, モデルが主観的な皮質形態を維持しながら, 独立的に訓練された年齢回帰ネットワークを騙し, 精度0.85 pm 0.62$の予測精度を達成できることを実証した。

関連論文リスト

• SurfAge-Net: A Hierarchical Surface-Based Network for Interpretable Fine-Grained Brain Age Prediction [9.571325956619743]
  そこで本稿では,領域固有の発達パターンを抽出するサーフェスベースの新しい脳年齢予測ネットワーク(SurfAge-Net)を提案する。 SurfAge-Netは、皮質組織の結合原理を取り入れた新しいモデリングパラダイムを確立する。 空間的に正確で生物学的に解釈可能な皮質成熟地図を提供し、不均一な遅延と地域特有の異常を効果的に同定する。
  論文  参考訳（メタデータ） (2026-01-28T07:01:57Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Unsupervised Deep Generative Models for Anomaly Detection in Neuroimaging: A Systematic Scoping Review [0.8373057326694192]
  教師なしの深層生成モデルは、脳イメージングにおける異常の検出とセグメンテーションのための教師付き方法に代わる有望な代替手段として浮上している。 これらのモデルは、健康的なデータにのみ訓練することができ、学習された規範的脳構造からの逸脱として異常を識別することができる。 The PRISMA-Guided scoping review synthesis is recent work on unsupervised deep generative model for anomaly detection in neuroimaging。
  論文  参考訳（メタデータ） (2025-10-16T09:02:52Z)
• NEUBORN: The Neurodevelopmental Evolution framework Using BiOmechanical RemodelliNg [1.62955730276521]
  本稿では, バイオメカニカル制約, 縦方向, 微分像の登録から, 個々の成長軌跡を学習するための新しい枠組みを提案する。 この方法により、ワープの生物学的妥当性が向上し、人口レベルの傾向をより良く追従する成長軌道が生成される。 この枠組みは、脳成熟の予測モデルと皮質発達の奇形を早期に同定する新たな可能性を開く。
  論文  参考訳（メタデータ） (2025-08-13T12:36:23Z)
• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Adaptive Shrinkage Estimation For Personalized Deep Kernel Regression In Modeling Brain Trajectories [4.605794646684244]
  そこで我々は,脳バイオマーカーの予測を行うための,パーソナライズされたディープカーネル回帰フレームワークを提案する。 我々のアプローチでは、大きなコホートから脳の軌跡をキャプチャする集団モデルと、個々の軌跡をキャプチャする対象特異的モデルという2つの重要な要素を統合している。
  論文  参考訳（メタデータ） (2025-04-10T19:13:44Z)
• Steerable Anatomical Shape Synthesis with Implicit Neural Representations [1.8399318639816038]
  本稿では,暗黙的ニューラル表現に基づく評価可能な生成モデルを提案する。 提案手法は, 標的とした解剖学的修正を可能とし, 高品質な形状生成を実現することを実証した。
  論文  参考訳（メタデータ） (2025-04-04T09:49:00Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Cortical Surface Diffusion Generative Models [4.050721206558478]
  皮質表面分析は、神経学的および発達障害に影響を及ぼす可能性から、注目を集めている。 従来の視覚拡散モデルは、自然な画像を生成するのに効果的であるが、限られたデータセットによる神経画像の複雑な発達パターンを捉えるのに限界がある。 本研究では, 改良型表面視覚変換器を主アーキテクチャとして, 皮質表面計測値の生成のための新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-07T11:12:09Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Transformer-based normative modelling for anomaly detection of early schizophrenia [1.291405125557051]
  我々はニューロタイプ個体の3次元MRIスキャンでモデルを訓練した。 早期統合失調症の神経型コントロールと精神科患者の可能性について検討した。
  論文  参考訳（メタデータ） (2022-12-08T18:22:36Z)
• A Deep Generative Model of Neonatal Cortical Surface Development [0.688204255655161]
  球状化した新生児大脳皮質表面の特徴を成熟の異なる段階間で翻訳するための表面ベースCycleGANを実装した。 以上の結果から, 妊娠後期における皮質組織の個々のパターンの変化を確実に予測できることが示された。 皮質成熟のシミュレートされた相違は、文献の観察と一致している。
  論文  参考訳（メタデータ） (2022-06-15T13:59:43Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)

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。