論文の概要: Anatomy-DT: A Cross-Diffusion Digital Twin for Anatomical Evolution

• arxiv url: http://arxiv.org/abs/2509.25280v1
• Date: Mon, 29 Sep 2025 04:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.917423
• Title: Anatomy-DT: A Cross-Diffusion Digital Twin for Anatomical Evolution
• Title（参考訳）: Anatomy-DT: 解剖学的進化のための相互拡散型デジタル双晶
• Authors: Moinak Bhattacharya, Gagandeep Singh, Prateek Prasanna,
• Abstract要約: 腫瘍の進行を周囲の解剖と共にモデル化し、疾患のダイナミックスに関する包括的かつ臨床的に関係のある理解を得ることが重要である。 偏微分方程式を微分可能な深層学習で結合する数学的基盤の枠組みを導入する。 この研究は、視覚的に現実的で排他的で、位相的に一貫したデジタル双生児のための解剖学から解剖学への原則的な道を確立する。
• 参考スコア（独自算出の注目度）: 13.83306392535935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately modeling the spatiotemporal evolution of tumor morphology from baseline imaging is a pre-requisite for developing digital twin frameworks that can simulate disease progression and treatment response. Most existing approaches primarily characterize tumor growth while neglecting the concomitant alterations in adjacent anatomical structures. In reality, tumor evolution is highly non-linear and heterogeneous, shaped not only by therapeutic interventions but also by its spatial context and interaction with neighboring tissues. Therefore, it is critical to model tumor progression in conjunction with surrounding anatomy to obtain a comprehensive and clinically relevant understanding of disease dynamics. We introduce a mathematically grounded framework that unites mechanistic partial differential equations with differentiable deep learning. Anatomy is represented as a multi-class probability field on the simplex and evolved by a cross-diffusion reaction-diffusion system that enforces inter-class competition and exclusivity. A differentiable implicit-explicit scheme treats stiff diffusion implicitly while handling nonlinear reaction and event terms explicitly, followed by projection back to the simplex. To further enhance global plausibility, we introduce a topology regularizer that simultaneously enforces centerline preservation and penalizes region overlaps. The approach is validated on synthetic datasets and a clinical dataset. On synthetic benchmarks, our method achieves state-of-the-art accuracy while preserving topology, and also demonstrates superior performance on the clinical dataset. By integrating PDE dynamics, topology-aware regularization, and differentiable solvers, this work establishes a principled path toward anatomy-to-anatomy generation for digital twins that are visually realistic, anatomically exclusive, and topologically consistent.
• Abstract（参考訳）: 腫瘍形態の時空間的進化をベースラインイメージングから正確にモデル化することは、疾患の進行と治療反応をシミュレートできるデジタルツインフレームワークを開発するための前提条件である。 既存のアプローチのほとんどは、隣り合う解剖学的構造における類似した変化を無視しながら、主に腫瘍の成長を特徴付ける。 実際には、腫瘍の進化は、治療介入だけでなく、その空間的文脈と近隣の組織との相互作用によって形成される非常に非線形で異種である。 したがって、周囲の解剖と連動して腫瘍の進行をモデル化し、疾患のダイナミクスに関する包括的かつ臨床的に関係のある理解を得ることが重要である。 機械的偏微分方程式と微分可能な深層学習を結合する数学的基盤の枠組みを導入する。 解剖学は単純体上の多クラス確率場として表現され、クラス間の競合と排他性を強制する相互拡散反応拡散系によって進化する。 微分可能な暗黙的-明示的スキームは、非線形反応と事象項を明示的に扱いながら強拡散を暗黙的に扱う。 さらにグローバルな可視性を高めるために,地域重なりの集中保存と罰則を同時に実施するトポロジ・レギュレータを導入する。 このアプローチは、合成データセットと臨床データセットに基づいて検証される。 提案手法は, トポロジを保存しながら, 最先端の精度を達成し, 臨床データセットに優れた性能を示す。 PDE力学、トポロジ対応正規化、微分可能解法を統合することにより、視覚的に現実的で、解剖学的に排他的で、トポロジ的に一貫したデジタル双生児の解剖学から解剖学への道が確立される。

関連論文リスト

• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
  病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。 腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
  論文  参考訳（メタデータ） (2024-06-04T16:47:47Z)
• Clinically Plausible Pathology-Anatomy Disentanglement in Patient Brain MRI with Structured Variational Priors [11.74918328561702]
  脳MRIにおける主観的解剖学から疾患の観測可能な証拠を正確に遠ざけるための階層的構造変化推論モデルを提案する。 フレキシブルで部分的に自己回帰的な先行モデルでは、MRIの解剖学的要因と病理学的要因の間に通常存在する微妙できめ細かな依存関係に対処する。
  論文  参考訳（メタデータ） (2022-11-15T00:53:00Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)

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。