論文の概要: Spherical Brownian Bridge Diffusion Models for Conditional Cortical Thickness Forecasting

• arxiv url: http://arxiv.org/abs/2509.08442v1
• Date: Wed, 10 Sep 2025 09:40:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.376243
• Title: Spherical Brownian Bridge Diffusion Models for Conditional Cortical Thickness Forecasting
• Title（参考訳）: 条件付き皮質厚み予測のための球状ブラウン橋拡散モデル
• Authors: Ivan Stoyanov, Fabian Bongratz, Christian Wachinger,
• Abstract要約: 球状ブラウン橋拡散モデル(SBDM)について紹介する。 CTh軌道予測のための条件付きブラウン橋拡散法を提案する。 従来の手法と比較して、SBDMは予測誤差を著しく低減する。
• 参考スコア（独自算出の注目度）: 6.321283533425182
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate forecasting of individualized, high-resolution cortical thickness (CTh) trajectories is essential for detecting subtle cortical changes, providing invaluable insights into neurodegenerative processes and facilitating earlier and more precise intervention strategies. However, CTh forecasting is a challenging task due to the intricate non-Euclidean geometry of the cerebral cortex and the need to integrate multi-modal data for subject-specific predictions. To address these challenges, we introduce the Spherical Brownian Bridge Diffusion Model (SBDM). Specifically, we propose a bidirectional conditional Brownian bridge diffusion process to forecast CTh trajectories at the vertex level of registered cortical surfaces. Our technical contribution includes a new denoising model, the conditional spherical U-Net (CoS-UNet), which combines spherical convolutions and dense cross-attention to integrate cortical surfaces and tabular conditions seamlessly. Compared to previous approaches, SBDM achieves significantly reduced prediction errors, as demonstrated by our experiments based on longitudinal datasets from the ADNI and OASIS. Additionally, we demonstrate SBDM's ability to generate individual factual and counterfactual CTh trajectories, offering a novel framework for exploring hypothetical scenarios of cortical development.
• Abstract（参考訳）: 個別化高分解能皮質厚(CTh)軌跡の正確な予測は、微妙な皮質の変化を検出し、神経変性過程に対する貴重な洞察を与え、より早くより正確な介入戦略を促進するために不可欠である。 しかし、CTh予測は、大脳皮質の複雑な非ユークリッド幾何学と、主観的な予測のためにマルチモーダルデータを統合する必要があるため、難しい課題である。 これらの課題に対処するために、球状ブラウン橋拡散モデル(SBDM)を導入する。 具体的には、登録された皮質表面の頂点レベルでCTh軌道を予測するための双方向条件付きブラウン橋拡散法を提案する。 我々の技術貢献には、新しいデノナイジングモデルである条件付き球面U-Net(CoS-UNet)が含まれており、球面の畳み込みと密接なクロスアテンションを組み合わせて、皮質表面と表層条件をシームレスに統合する。 従来の手法と比較して,SBDMは,ADNIとOASISの時系列データセットに基づく実験で示すように,予測誤差を著しく低減する。 さらに,SBDMが個別の事実的および反事実的CTh軌道を生成する能力を示し,皮質発達の仮説的シナリオを探求するための新しい枠組みを提供する。

関連論文リスト

• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection [0.0]
  時空間投影(STP)は,高次元および時間分解データに対するデータ駆動予測手法として導入された。 この方法は、後流と予測間隔の両方からなる予測水平線にまたがるトレーニングデータから、拡張時空間固有モードを算出する。
  論文  参考訳（メタデータ） (2025-03-31T03:36:59Z)
• Generative Latent Neural PDE Solver using Flow Matching [8.397730500554047]
  低次元の潜伏空間にPDE状態を埋め込んだPDEシミュレーションのための潜伏拡散モデルを提案する。 我々のフレームワークは、オートエンコーダを使用して、異なるタイプのメッシュを統一された構造化潜在グリッドにマッピングし、複雑なジオメトリをキャプチャします。 数値実験により,提案モデルは,精度と長期安定性の両方において,決定論的ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-28T16:44:28Z)
• On Probabilistic Pullback Metrics for Latent Hyperbolic Manifolds [5.724027955589408]
  本稿では,階層的関係のモデル化に特に適した双曲的埋め込みについて述べる。 本稿では, LVM の非線形写像によって生じる歪みを考慮に入れた, プルバック計量による双曲多様体の拡張を提案する。 実験により, 引き戻し距離の測地学は双曲型潜在空間の幾何学を尊重するだけでなく, 基礎となるデータ分布と整合することを示した。
  論文  参考訳（メタデータ） (2024-10-28T09:13:00Z)
• Uncertainty Quantification via Spatial-Temporal Tweedie Model for Zero-inflated and Long-tail Travel Demand Prediction [5.9489254626049926]
  高分解能O-D行列のスパース特性と長テール特性に対処する時空間ツイーディグラフニューラルネットワーク(STTD)を提案する。 評価の結果,特に高分解能シナリオにおいて,STTDが精度の高い予測と精度の高い信頼区間を提供するのに優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-16T14:50:43Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
  本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。 地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
  論文  参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。