論文の概要: MRExtrap: Longitudinal Aging of Brain MRIs using Linear Modeling in Latent Space
- arxiv url: http://arxiv.org/abs/2508.19482v1
- Date: Tue, 26 Aug 2025 23:59:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.449721
- Title: MRExtrap: Longitudinal Aging of Brain MRIs using Linear Modeling in Latent Space
- Title（参考訳）: MRExtrap:Linear Modelingによる脳MRIの経時的老化
- Authors: Jaivardhan Kapoor, Jakob H. Macke, Christian F. Baumgartner,
- Abstract要約: 我々は脳MRIでオートエンコーダを訓練し、老化軌跡がほぼ直線的に現れる潜在空間を創出する。
単走査予測では,平均値と主観値の先行値を用いて線形進行率を推定する。
また,対象別進行率を考慮したマルチスキャン条件の実証と解析を行った。
- 参考スコア（独自算出の注目度）: 13.493537090906509
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Simulating aging in 3D brain MRI scans can reveal disease progression patterns in neurological disorders such as Alzheimer's disease. Current deep learning-based generative models typically approach this problem by predicting future scans from a single observed scan. We investigate modeling brain aging via linear models in the latent space of convolutional autoencoders (MRExtrap). Our approach, MRExtrap, is based on our observation that autoencoders trained on brain MRIs create latent spaces where aging trajectories appear approximately linear. We train autoencoders on brain MRIs to create latent spaces, and investigate how these latent spaces allow predicting future MRIs through linear extrapolation based on age, using an estimated latent progression rate $\boldsymbol{\beta}$. For single-scan prediction, we propose using population-averaged and subject-specific priors on linear progression rates. We also demonstrate that predictions in the presence of additional scans can be flexibly updated using Bayesian posterior sampling, providing a mechanism for subject-specific refinement. On the ADNI dataset, MRExtrap predicts aging patterns accurately and beats a GAN-based baseline for single-volume prediction of brain aging. We also demonstrate and analyze multi-scan conditioning to incorporate subject-specific progression rates. Finally, we show that the latent progression rates in MRExtrap's linear framework correlate with disease and age-based aging patterns from previously studied structural atrophy rates. MRExtrap offers a simple and robust method for the age-based generation of 3D brain MRIs, particularly valuable in scenarios with multiple longitudinal observations.
- Abstract（参考訳）: 3次元脳MRIで老化をシミュレーションすると、アルツハイマー病などの神経疾患の進行パターンが明らかになる。
現在のディープラーニングベースの生成モデルは、通常、単一の観察されたスキャンから将来のスキャンを予測することによって、この問題にアプローチする。
畳み込み自己エンコーダ(MRExtrap)の潜時空間における線形モデルによる脳老化のモデル化について検討した。
我々のアプローチであるMRExtrapは、脳MRIで訓練されたオートエンコーダが、老化軌跡がほぼ直線的に現れる潜在空間を作るという観察に基づいている。
我々は脳MRIのオートエンコーダを訓練して潜伏空間を作成し、これらの潜伏空間が年齢に基づく線形外挿によって将来のMRIを予測する方法について、推定潜伏進行率$\boldsymbol{\beta}$を用いて検討する。
単走査予測では,平均値と主観値の先行値を用いて線形進行率を推定する。
また,ベイジアン後方サンプリングを用いて,追加スキャンの有無の予測を柔軟に更新できることを実証した。
ADNIデータセットでは、MRExtrapは老化パターンを正確に予測し、GANベースのベースラインを破り、脳の老化を予測する。
また,対象別進行率を考慮したマルチスキャン条件の実証と解析を行った。
最後に, MRExtrap の線形フレームワークの潜伏進行速度は, これまで研究された構造萎縮率から, 疾患および年齢による加齢パターンと相関することを示した。
MRExtrapは、年齢ベースの3次元脳MRI生成のためのシンプルで堅牢な方法を提供する。
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) - Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion [2.7853513988338108]
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はT1-Resonance (T1w) 脳MRIで2,805例の訓練と評価を行い,922例のMRIで2,257例の検診を行った。
論文 参考訳（メタデータ） (2025-02-12T16:47:41Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - Individualized multi-horizon MRI trajectory prediction for Alzheimer's Disease [0.0]
我々は、新しいアーキテクチャをトレーニングして潜伏空間の分布を構築し、そこからサンプルを抽出し、将来的な解剖学的変化の予測を生成する。
いくつかの代替手法と比較することにより,より高解像度でより個別化された画像を生成することを示す。
論文 参考訳（メタデータ） (2024-08-04T13:09:06Z) - 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) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
Multi-Task Brain Age Prediction [53.122045119395594]
ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。
年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。
そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-01-31T09:39:52Z) - Voxel-level Importance Maps for Interpretable Brain Age Estimation [70.5330922395729]
本稿では,畳み込みニューラルネットワークを用いた3次元脳磁気共鳴(MR)画像からの脳年齢回帰の課題に着目した。
予測モデルの性能を損なうことなく、できるだけ多くのノイズを入力に追加することを目的としたノイズモデルを実装した。
本手法は,英国バイオバンクの13750個の脳MR画像を用いて検討し,既存の神経病理学文献と一致している。
論文 参考訳（メタデータ） (2021-08-11T18:08:09Z) - Robust Compressed Sensing MRI with Deep Generative Priors [84.69062247243953]
臨床MRIデータに対するCSGMフレームワークの初成功例を示す。
我々は、高速MRIデータセットから脳スキャンに先立って生成をトレーニングし、Langevin dynamicsによる後部サンプリングが高品質な再構成を実現することを示す。
論文 参考訳（メタデータ） (2021-08-03T08:52:06Z)
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。