論文の概要: Semi-disentangled spatiotemporal implicit neural representations of longitudinal neuroimaging data for trajectory classification

• arxiv url: http://arxiv.org/abs/2510.09936v1
• Date: Sat, 11 Oct 2025 00:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.701319
• Title: Semi-disentangled spatiotemporal implicit neural representations of longitudinal neuroimaging data for trajectory classification
• Title（参考訳）: 軌跡分類のための縦型神経画像データの半遠方性時空間暗黙神経表現
• Authors: Agampreet Aulakh, Nils D. Forkert, Matthias Wilms,
• Abstract要約: Inlicit Neural Representation (INRs) を用いて、被験者特異的長手T1強調MRIデータを連続関数としてモデル化し、脳全体の老化軌跡を表現するための、新しい完全なデータ駆動方式を提案する。 従来のディープラーニングベースラインモデル(73.7%)を上回り,脳老化軌跡分類タスクの81.3%の精度を実現した。
• 参考スコア（独自算出の注目度）: 4.985839561141954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human brain undergoes dynamic, potentially pathology-driven, structural changes throughout a lifespan. Longitudinal Magnetic Resonance Imaging (MRI) and other neuroimaging data are valuable for characterizing trajectories of change associated with typical and atypical aging. However, the analysis of such data is highly challenging given their discrete nature with different spatial and temporal image sampling patterns within individuals and across populations. This leads to computational problems for most traditional deep learning methods that cannot represent the underlying continuous biological process. To address these limitations, we present a new, fully data-driven method for representing aging trajectories across the entire brain by modelling subject-specific longitudinal T1-weighted MRI data as continuous functions using Implicit Neural Representations (INRs). Therefore, we introduce a novel INR architecture capable of partially disentangling spatial and temporal trajectory parameters and design an efficient framework that directly operates on the INRs' parameter space to classify brain aging trajectories. To evaluate our method in a controlled data environment, we develop a biologically grounded trajectory simulation and generate T1-weighted 3D MRI data for 450 healthy and dementia-like subjects at regularly and irregularly sampled timepoints. In the more realistic irregular sampling experiment, our INR-based method achieves 81.3% accuracy for the brain aging trajectory classification task, outperforming a standard deep learning baseline model (73.7%).
• Abstract（参考訳）: 人間の脳は、生涯を通して動的、病理学的に駆動される構造変化を受けます。 経時的磁気共鳴画像(MRI)および他の神経画像データは、典型的および非典型的加齢に伴う変化の軌跡を特徴づけるのに有用である。 しかし, 個体間および個体間における空間的, 時間的画像サンプリングパターンの相違から, これらのデータの解析は非常に困難である。 これは、基礎となる継続的生物学的過程を表現できない従来のディープラーニング手法の計算問題につながる。 これらの制約に対処するために、インプリシットニューラル表現(INR)を用いて、被験者固有の縦型T1強調MRIデータを連続関数としてモデル化することにより、脳全体の老化軌跡を表現するための、新しい完全なデータ駆動方式を提案する。 そこで我々は、空間的および時間的軌道パラメータを部分的に切り離すことができる新しいINRアーキテクチャを導入し、脳の老化軌道を分類するために、INRのパラメータ空間を直接操作する効率的なフレームワークを設計する。 制御されたデータ環境下での本手法を評価するため, 生物学的に接地された軌道シミュレーションを開発し, 正常および認知症様の450名を対象に, 定期的および不規則なサンプル時間でT1強調3次元MRIデータを生成する。 より現実的な不規則サンプリング実験では、脳老化軌跡分類タスクにおいて81.3%の精度を達成し、標準ディープラーニングベースラインモデル(73.7%)を上回った。

関連論文リスト

• BrainPath: Generating Subject-Specific Brain Aging Trajectories [9.106315876381698]
  トレーニング中に脳の経時変化を学習する3D生成フレームワークであるBrainPathについて紹介する。 BrainPathは、単一のベースラインスキャンから任意の時点における解剖学的に忠実なMRIを予測する。
  論文  参考訳（メタデータ） (2025-08-21T02:45:28Z)
• Scientific Machine Learning of Chaotic Systems Discovers Governing Equations for Neural Populations [0.05804487044220691]
  カオス力学系から解釈可能な数学的表現を抽出するPEM-UDE法を提案する。 神経集団に適用した場合、生物学的制約を尊重する新しい支配方程式を導出する。 これらの方程式は、ニューラルネットワークにおける接続密度と発振周波数と同期の両方の創発的関係を予測する。
  論文  参考訳（メタデータ） (2025-07-04T14:57:58Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• 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)
• Capturing Longitudinal Changes in Brain Morphology Using Temporally Parameterized Neural Displacement Fields [1.8124328823188356]
  時間パラメータ化ニューラル変位場を用いた構造変化をモデル化する新しい縦型登録法を提案する。 本手法が4次元脳MRレジストレーションに及ぼす影響を実証する。
  論文  参考訳（メタデータ） (2025-04-13T10:38:00Z)
• Learning Successor Features with Distributed Hebbian Temporal Memory [44.99833362998488]
  本稿では,不確実性のある意思決定におけるオンラインシーケンス学習の課題に対処するための新しいアプローチを提案する。 提案アルゴリズムは,因子グラフ形式と多成分ニューロンモデルに基づく分散ヘビアンテンポラルメモリ (DHTM) である。 実験の結果, DHTMは非定常データセット上でLSTM, RWKV, 生物学的にインスパイアされたHMMライクなアルゴリズムCSCGより優れていた。
  論文  参考訳（メタデータ） (2023-10-20T10:03:14Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)

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。