論文の概要: Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation
- arxiv url: http://arxiv.org/abs/2509.03141v1
- Date: Wed, 03 Sep 2025 08:51:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 21:40:46.46838
- Title: Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation
- Title（参考訳）: 双方向時間正規化を用いた脳進行モデルのための時間的認識拡散モデル
- Authors: Mattia Litrico, Francesco Guarnera, Mario Valerio Giuffrida, Daniele Ravì, Sebastiano Battiato,
- Abstract要約: 現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
- 参考スコア（独自算出の注目度）: 7.097850157718258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating realistic MRIs to accurately predict future changes in the structure of brain is an invaluable tool for clinicians in assessing clinical outcomes and analysing the disease progression at the patient level. However, current existing methods present some limitations: (i) some approaches fail to explicitly capture the relationship between structural changes and time intervals, especially when trained on age-imbalanced datasets; (ii) others rely only on scan interpolation, which lack clinical utility, as they generate intermediate images between timepoints rather than future pathological progression; and (iii) most approaches rely on 2D slice-based architectures, thereby disregarding full 3D anatomical context, which is essential for accurate longitudinal predictions. We propose a 3D Temporally-Aware Diffusion Model (TADM-3D), which accurately predicts brain progression on MRI volumes. To better model the relationship between time interval and brain changes, TADM-3D uses a pre-trained Brain-Age Estimator (BAE) that guides the diffusion model in the generation of MRIs that accurately reflect the expected age difference between baseline and generated follow-up scans. Additionally, to further improve the temporal awareness of TADM-3D, we propose the Back-In-Time Regularisation (BITR), by training TADM-3D to predict bidirectionally from the baseline to follow-up (forward), as well as from the follow-up to baseline (backward). Although predicting past scans has limited clinical applications, this regularisation helps the model generate temporally more accurate scans. We train and evaluate TADM-3D on the OASIS-3 dataset, and we validate the generalisation performance on an external test set from the NACC dataset. The code will be available upon acceptance.
- Abstract（参考訳）: 脳の構造の変化を正確に予測するために現実的なMRIを生成することは、臨床医が臨床結果を評価し、患者のレベルで疾患の進行を分析する上で重要なツールである。
しかし、現在のメソッドにはいくつかの制限がある。
(i) 年齢不均衡データセットのトレーニングにおいて,構造変化と時間間隔の関係を明示的に把握できないアプローチもある。
(二)他のものは、将来の病的進展ではなく、時間点間の中間像を生成するため、臨床的有用性に欠けるスキャン補間にのみ依存する。
(iii)ほとんどのアプローチは2次元スライスに基づくアーキテクチャに依存しており、正確な長手予測に欠かせない完全な3次元解剖学的文脈を無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
時間間隔と脳の変化の関係をより良くモデル化するために、TADM-3Dは、ベースラインと生成されたフォローアップスキャンの年齢差を正確に反映するMRIの生成において拡散モデルを導く訓練済みのBrain-Age Estimator(BAE)を使用している。
さらに,TADM-3Dの時間的意識を高めるために,TADM-3Dをベースラインからフォローアップ(前方)へ,さらにフォローアップからベースライン(後方)へ,双方向に予測するようにトレーニングすることで,BITR(Back-In-Time Regularisation)を提案する。
過去のスキャンを予測することは臨床応用に限られるが、この正規化は、時間的に正確なスキャンを生成するのに役立つ。
我々は、OASIS-3データセット上でTADM-3Dをトレーニングし、評価し、NACCデータセットから外部テストセット上での一般化性能を検証する。
コードは受理後利用可能になる。
関連論文リスト
- MRExtrap: Longitudinal Aging of Brain MRIs using Linear Modeling in Latent Space [13.493537090906509]
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。
論文 参考訳（メタデータ） (2025-08-26T23:59:10Z) - 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) - TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。
トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。
我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文 参考訳（メタデータ） (2024-06-18T09:00:49Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Advancing 3D Medical Image Analysis with Variable Dimension Transform
based Supervised 3D Pre-training [45.90045513731704]
本稿では,革新的でシンプルな3Dネットワーク事前学習フレームワークを再考する。
再設計された3Dネットワークアーキテクチャにより、データ不足の問題に対処するために、修正された自然画像が使用される。
4つのベンチマークデータセットに関する総合的な実験により、提案した事前学習モデルが収束を効果的に加速できることが示されている。
論文 参考訳（メタデータ） (2022-01-05T03:11:21Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
本稿では,異常検出のための自己教師付き学習手法を提案する。
私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。
試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
論文 参考訳（メタデータ） (2020-11-10T22:21:48Z) - 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)
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。