論文の概要: Temporal Flow Matching for Learning Spatio-Temporal Trajectories in 4D Longitudinal Medical Imaging

• arxiv url: http://arxiv.org/abs/2508.21580v1
• Date: Fri, 29 Aug 2025 12:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.047022
• Title: Temporal Flow Matching for Learning Spatio-Temporal Trajectories in 4D Longitudinal Medical Imaging
• Title（参考訳）: 4次元経時的医用画像における時空間フローマッチングによる時空間軌跡の学習
• Authors: Nico Albert Disch, Yannick Kirchhoff, Robin Peretzke, Maximilian Rokuss, Saikat Roy, Constantin Ulrich, David Zimmerer, Klaus Maier-Hein,
• Abstract要約: 時間的フローマッチング(TFM: Temporal Flow Matching)は,時間的分布を学習するための統合的生成軌道法である。 TFMは、自然画像から病気の時間的モデリング手法を一貫して上回っている。 3D$ボリューム、複数回の事前スキャン、不規則サンプリングをサポートする。
• 参考スコア（独自算出の注目度）: 4.916511768554556
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding temporal dynamics in medical imaging is crucial for applications such as disease progression modeling, treatment planning and anatomical development tracking. However, most deep learning methods either consider only single temporal contexts, or focus on tasks like classification or regression, limiting their ability for fine-grained spatial predictions. While some approaches have been explored, they are often limited to single timepoints, specific diseases or have other technical restrictions. To address this fundamental gap, we introduce Temporal Flow Matching (TFM), a unified generative trajectory method that (i) aims to learn the underlying temporal distribution, (ii) by design can fall back to a nearest image predictor, i.e. predicting the last context image (LCI), as a special case, and (iii) supports $3D$ volumes, multiple prior scans, and irregular sampling. Extensive benchmarks on three public longitudinal datasets show that TFM consistently surpasses spatio-temporal methods from natural imaging, establishing a new state-of-the-art and robust baseline for $4D$ medical image prediction.
• Abstract（参考訳）: 医療画像の時間的ダイナミクスを理解することは、疾患進行モデリング、治療計画、解剖学的発達追跡などの応用に不可欠である。 しかし、ほとんどのディープラーニング手法は、単一の時間的文脈のみを考慮するか、分類や回帰のようなタスクに焦点をあてて、きめ細かい空間予測能力を制限する。 いくつかのアプローチが検討されているが、それらは単一のタイムポイント、特定の病気、または他の技術的な制約を持つものに限定されていることが多い。 このような基本的なギャップに対処するため,時間的フローマッチング (TFM) を導入している。 i) 時間分布を学習すること。 (ii) 設計上、最も近い画像予測器、すなわち、特別な場合として最後の文脈画像(LCI)を予測できる。 (iii) 3D$ボリューム、複数回の事前スキャン、不規則サンプリングをサポートする。 3つの公開縦断データセットの大規模なベンチマークによると、TFMは天然画像からの時空間的手法を一貫して超え、医療画像予測のための新しい最先端で堅牢なベースラインを確立している。

関連論文リスト

• Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
  緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。 本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:31:47Z)
• Unlocking the Power of Spatial and Temporal Information in Medical Multimodal Pre-training [99.2891802841936]
  我々は,空間的・時間的微粒なモデリングのためのMed-STフレームワークを提案する。 空間モデリングでは、Med-STはMixture of View Expert (MoVE)アーキテクチャを使用して、正面と横の両方のビューから異なる視覚的特徴を統合する。 時間的モデリングのために,フォワードマッピング分類 (FMC) とリバースマッピング回帰 (RMR) による新たな双方向サイクル整合性目標を提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:15:09Z)
• Spatiotemporal Representation Learning for Short and Long Medical Image Time Series [8.344657414044153]
  時間的発達の分析は多くの医療条件の正確な予後に不可欠である。 数ヶ月または数年にわたって起こる長期の発達を追跡することは、正確な予後に不可欠である。 短期的・長期的分析と臨床的意思決定の両方の重要性にもかかわらず、彼らは医学的深層学習において過小評価されている。
  論文  参考訳（メタデータ） (2024-03-12T10:47:29Z)
• Local Spatiotemporal Representation Learning for Longitudinally-consistent Neuroimage Analysis [7.568469725821069]
  本稿では,長手画像に基づいて訓練された画像から画像への局所的・多スケールの時間的表現学習手法を提案する。 微調整中、オブジェクト内相関を利用するために驚くほど単純な自己教師付きセグメンテーション整合規則化を提案する。 これらの改善は、長手神経変性成人と発達期脳MRIの両方で示され、より高いパフォーマンスと長手整合性が得られる。
  論文  参考訳（メタデータ） (2022-06-09T05:17:00Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
  我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。 提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
  論文  参考訳（メタデータ） (2020-04-21T15:59:53Z)

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。