論文の概要: Predicting Brain Morphogenesis via Physics-Transfer Learning
- arxiv url: http://arxiv.org/abs/2509.05305v1
- Date: Fri, 22 Aug 2025 09:45:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-14 20:41:04.902328
- Title: Predicting Brain Morphogenesis via Physics-Transfer Learning
- Title（参考訳）: 物理変換学習による脳形態形成予測
- Authors: Yingjie Zhao, Yicheng Song, Fan Xu, Zhiping Xu,
- Abstract要約: フラクタルのような特徴、地域異方性、複雑な曲率分布は、医学検査における定量的洞察を妨げている。
幾何学的複雑性に対処する物理変換学習フレームワークを開発した。
我々は,脳成長と疾患の発生過程を記述・予測する高忠実連続体力学モデリングのディジタルライブラリを構築した。
- 参考スコア（独自算出の注目度）: 3.3026091798657315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain morphology is shaped by genetic and mechanical factors and is linked to biological development and diseases. Its fractal-like features, regional anisotropy, and complex curvature distributions hinder quantitative insights in medical inspections. Recognizing that the underlying elastic instability and bifurcation share the same physics as simple geometries such as spheres and ellipses, we developed a physics-transfer learning framework to address the geometrical complexity. To overcome the challenge of data scarcity, we constructed a digital library of high-fidelity continuum mechanics modeling that both describes and predicts the developmental processes of brain growth and disease. The physics of nonlinear elasticity from simple geometries is embedded into a neural network and applied to brain models. This physics-transfer approach demonstrates remarkable performance in feature characterization and morphogenesis prediction, highlighting the pivotal role of localized deformation in dominating over the background geometry. The data-driven framework also provides a library of reduced-dimensional evolutionary representations that capture the essential physics of the highly folded cerebral cortex. Validation through medical images and domain expertise underscores the deployment of digital-twin technology in comprehending the morphological complexity of the brain.
- Abstract（参考訳）: 脳形態学は、遺伝学的および機械的要因によって形成され、生物学的発達と疾患に結びついている。
フラクタルのような特徴、地域異方性、複雑な曲率分布は、医学検査における定量的な洞察を妨げている。
基礎となる弾性不安定性と分岐性は球面や楕円などの単純な測地と同じ物理を共有していることを認識し,幾何学的複雑性に対処する物理移動学習フレームワークを開発した。
データ不足の課題を克服するため、我々は、脳成長と疾患の発生過程を記述・予測する高忠実連続体力学モデリングのデジタルライブラリを構築した。
単純な幾何学からの非線形弾性の物理学はニューラルネットワークに埋め込まれ、脳モデルに適用される。
この物理変換手法は特徴的特徴付けと形態形成予測において顕著な性能を示し、背景幾何学上の支配における局所的変形の重要な役割を浮き彫りにする。
データ駆動型フレームワークはまた、高度に折り畳まれた大脳皮質の本質的な物理を捉える、低次元の進化的表現のライブラリも提供する。
医用画像とドメインの専門知識による検証は、脳の形態的複雑さを理解するためのデジタルツイン技術の展開を強調している。
関連論文リスト
- DEM-NeRF: A Neuro-Symbolic Method for Scientific Discovery through Physics-Informed Simulation [25.52715002934968]
スパース多視点画像シーケンスから直接弾性物体を再構成・シミュレーションするための新しいニューロシンボリック・フレームワークを提案する。
具体的には、物体再構成のためのニューラルネットワーク(NeRF)と物理インフォームドニューラルネットワーク(PIN)を統合する。
論文 参考訳（メタデータ） (2025-07-28T21:40:17Z) - 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) - A Review of Latent Representation Models in Neuroimaging [0.0]
ラテント表現モデルは、高次元のニューロイメージングデータを低次元のラテント空間に還元するように設計されている。
これらの潜伏空間をモデル化することで、研究者は脳の生物学と機能に関する洞察を得ることを望んでいる。
本総説では, 疾患診断や進行モニタリングなどの臨床応用だけでなく, 基礎的脳機構の解明にもこれらのモデルが用いられていることを論じる。
論文 参考訳（メタデータ） (2024-12-24T19:12:11Z) - Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks [0.0]
本稿では,GBL成長の数学的モデルに対する概念実証を行い,リアルタイム予測と患者固有のパラメータ同定を可能にする。
ニューラルネットワークサロゲートは、腫瘍の進化からモデルパラメータへの逆マッピングを学習し、計算速度を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-04T18:46:05Z) - Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。
本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文 参考訳（メタデータ） (2024-09-17T04:48:45Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - Neural population geometry: An approach for understanding biological and
artificial neural networks [3.4809730725241605]
生体および人工ニューラルネットワークの機能に関する洞察を提供する幾何学的アプローチの例を概観する。
神経集団幾何学は、生体と人工のニューラルネットワークにおける構造と機能の理解を統一する可能性がある。
論文 参考訳（メタデータ） (2021-04-14T18:10:34Z)
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。