論文の概要: BrainPath: Generating Subject-Specific Brain Aging Trajectories

• arxiv url: http://arxiv.org/abs/2508.16667v1
• Date: Thu, 21 Aug 2025 02:45:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.102582
• Title: BrainPath: Generating Subject-Specific Brain Aging Trajectories
• Title（参考訳）: BrainPath: 対象に特有な脳老化軌道の生成
• Authors: Yifan Li, Javad Sohankar, Ji Luo, Jing Li, Yi Su,
• Abstract要約: トレーニング中に脳の経時変化を学習する3D生成フレームワークであるBrainPathについて紹介する。 BrainPathは、単一のベースラインスキャンから任意の時点における解剖学的に忠実なMRIを予測する。
• 参考スコア（独自算出の注目度）: 9.106315876381698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying and forecasting individual brain aging trajectories is critical for understanding neurodegenerative disease and the heterogeneity of aging, yet current approaches remain limited. Most models predict chronological age, an imperfect surrogate for biological aging, or generate synthetic MRIs that enhance data diversity but fail to capture subject-specific trajectories. Here, we present BrainPath, a 3D generative framework that learns longitudinal brain aging dynamics during training and, at inference, predicts anatomically faithful MRIs at arbitrary timepoints from a single baseline scan. BrainPath integrates an age calibration loss, a swap learning strategy, and an age perceptual loss to preserve subtle, biologically meaningful variations. Across held-out ADNI and an independent NACC dataset, BrainPath outperforms state-of-the-art reference models in structural similarity (SSIM), mean squared error (MSE), peak signal-to-noise ratio (PSNR), and MRI age-difference accuracy, while capturing realistic and temporally consistent aging patterns. Beyond methodological innovation, BrainPath enables personalized mapping of brain aging, synthetic follow-up scan prediction, and trajectory-based analyses, providing a foundation for precision modeling of brain aging and supporting research into neurodegeneration and aging interventions.
• Abstract（参考訳）: 個々の脳老化軌道の定量化と予測は神経変性疾患と老化の不均一性を理解する上で重要であるが、現在のアプローチは限られている。 ほとんどのモデルは、時系列年齢、生物学的老化の不完全な代理、あるいはデータの多様性を高める合成MRIを生成するが、対象固有の軌跡を捉えない。 本稿では、トレーニング中に脳の経時変化を学習し、単一のベースラインスキャンから解剖学的に忠実なMRIを任意のタイミングで予測する3D生成フレームワークであるBrainPathについて紹介する。 BrainPathは、年齢調整の損失、スワップ学習の戦略、年齢知覚の損失を統合し、微妙で生物学的に意味のある変化を保存する。 ホールドアウトADNIと独立NACCデータセット全体で、BrainPathは、構造的類似性(SSIM)、平均二乗誤差(MSE)、ピーク信号-雑音比(PSNR)、MRI年齢差精度において最先端の参照モデルより優れ、現実的かつ時間的に一貫した老化パターンをキャプチャする。 方法的な革新に加えて、BrainPathは、パーソナライズされた脳老化マッピング、合成フォローアップスキャン予測、トラジェクトリに基づく分析を可能にし、脳老化の精密モデリングの基礎を提供し、神経変性と老化介入の研究を支援する。

関連論文リスト

• Neural Autoregressive Modeling of Brain Aging [13.402122520389366]
  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。
  論文  参考訳（メタデータ） (2025-07-29T20:22:23Z)
• 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)
• 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)
• Contrastive Learning with Adaptive Neighborhoods for Brain Age Prediction on 3D Stiffness Maps [8.14243193774551]
  そこで本研究では,サンプルの局所的な領域に着目して,トレーニングプロセス中に動的に適応する新たなコントラスト損失を提案する。 この研究は、脳の年齢を予測するために、コンパイルされた剛性マップを用いて、脳の機械的特性に対する自己教師あり学習の最初の応用を示す。
  論文  参考訳（メタデータ） (2024-08-01T12:58:19Z)
• 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)
• 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)
• Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
  大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。 具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。 我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
  論文  参考訳（メタデータ） (2023-05-27T22:28:25Z)

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。