論文の概要: Integrating Anatomical Priors into a Causal Diffusion Model

• arxiv url: http://arxiv.org/abs/2509.09054v1
• Date: Wed, 10 Sep 2025 23:22:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.171429
• Title: Integrating Anatomical Priors into a Causal Diffusion Model
• Title（参考訳）: 解剖学的前駆体を因果拡散モデルに統合する
• Authors: Binxu Li, Wei Peng, Mingjie Li, Ehsan Adeli, Kilian M. Pohl,
• Abstract要約: 3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
• 参考スコア（独自算出の注目度）: 14.471851828800055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D brain MRI studies often examine subtle morphometric differences between cohorts that are hard to detect visually. Given the high cost of MRI acquisition, these studies could greatly benefit from image syntheses, particularly counterfactual image generation, as seen in other domains, such as computer vision. However, counterfactual models struggle to produce anatomically plausible MRIs due to the lack of explicit inductive biases to preserve fine-grained anatomical details. This shortcoming arises from the training of the models aiming to optimize for the overall appearance of the images (e.g., via cross-entropy) rather than preserving subtle, yet medically relevant, local variations across subjects. To preserve subtle variations, we propose to explicitly integrate anatomical constraints on a voxel-level as prior into a generative diffusion framework. Called Probabilistic Causal Graph Model (PCGM), the approach captures anatomical constraints via a probabilistic graph module and translates those constraints into spatial binary masks of regions where subtle variations occur. The masks (encoded by a 3D extension of ControlNet) constrain a novel counterfactual denoising UNet, whose encodings are then transferred into high-quality brain MRIs via our 3D diffusion decoder. Extensive experiments on multiple datasets demonstrate that PCGM generates structural brain MRIs of higher quality than several baseline approaches. Furthermore, we show for the first time that brain measurements extracted from counterfactuals (generated by PCGM) replicate the subtle effects of a disease on cortical brain regions previously reported in the neuroscience literature. This achievement is an important milestone in the use of synthetic MRIs in studies investigating subtle morphological differences.
• Abstract（参考訳）: 3次元脳MRIによる研究は、視覚的に検出が難しいコホート間の微妙な形態的差異を調べることが多い。 MRI取得のコストが高いことから、これらの研究は、コンピュータビジョンなどの他の領域に見られるように、画像合成、特に偽物画像生成の恩恵を受ける可能性がある。 しかし、反事実モデルでは、微細な解剖学的詳細を保持するための明示的な誘導バイアスが欠如しているため、解剖学的に妥当なMRIを生成するのに苦労している。 この欠点は、微妙で医学的に関係のある局所的な変化を保存するのではなく、画像の全体像(例えば、クロスエントロピー)を最適化することを目的としたモデルのトレーニングから生じる。 微妙な変動を抑えるため,前述したボクセルレベルの解剖学的制約を生成拡散フレームワークに統合することを提案する。 確率因果グラフモデル(PCGM)と呼ばれるこの手法は、確率グラフモジュールを介して解剖学的制約を捕捉し、微妙な変化が起こる領域の空間的二項マスクに変換する。 マスク(ControlNetの3D拡張でエンコードされた)は、新しい偽造UNetを制約し、そのエンコーディングは私たちの3D拡散デコーダを介して高品質な脳MRIに転送される。 複数のデータセットに対する大規模な実験により、PCGMは複数のベースラインアプローチよりも高品質な構造脳MRIを生成することが示された。 さらに, 神経科学文献に報告されている大脳皮質領域に対する疾患の微妙な影響を, 反事実(PCGMによる)から抽出した脳計測が再現したことが, 初めて確認された。 この成果は、微妙な形態的差異を研究する研究における合成MRIの使用において重要なマイルストーンである。

関連論文リスト

• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• NeuroCine: Decoding Vivid Video Sequences from Human Brain Activties [23.893490180665996]
  本稿では,fMRIデータを復号化するための新たな二相フレームワークであるNeuroCineを紹介する。 公開されているfMRIデータセットでテストした結果,有望な結果が得られた。 このモデルが既存の脳構造や機能と一致し,その生物学的妥当性と解釈可能性を示すことが示唆された。
  論文  参考訳（メタデータ） (2024-02-02T17:34:25Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。