Fugu-MT 論文翻訳(概要): Deep generative priors for 3D brain analysis

論文の概要: Deep generative priors for 3D brain analysis

arxiv url: http://arxiv.org/abs/2510.15119v1
Date: Thu, 16 Oct 2025 20:20:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-20 20:17:34.382018
Title: Deep generative priors for 3D brain analysis
Title（参考訳）: 3次元脳解析のための深部生成前駆体
Authors: Ana Lawry Aguila, Dina Zemlyanker, You Cheng, Sudeshna Das, Daniel C. Alexander, Oula Puonti, Annabel Sorby-Adams, W. Taylor Kimberly, Juan Eugenio Iglesias,
Abstract要約: 本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
参考スコア（独自算出の注目度）: 9.407614414126142
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion models have recently emerged as powerful generative models in medical imaging. However, it remains a major challenge to combine these data-driven models with domain knowledge to guide brain imaging problems. In neuroimaging, Bayesian inverse problems have long provided a successful framework for inference tasks, where incorporating domain knowledge of the imaging process enables robust performance without requiring extensive training data. However, the anatomical modeling component of these approaches typically relies on classical mathematical priors that often fail to capture the complex structure of brain anatomy. In this work, we present the first general-purpose application of diffusion models as priors for solving a wide range of medical imaging inverse problems. Our approach leverages a score-based diffusion prior trained extensively on diverse brain MRI data, paired with flexible forward models that capture common image processing tasks such as super-resolution, bias field correction, inpainting, and combinations thereof. We further demonstrate how our framework can refine outputs from existing deep learning methods to improve anatomical fidelity. Experiments on heterogeneous clinical and research MRI data show that our method achieves state-of-the-art performance producing consistent, high-quality solutions without requiring paired training datasets. These results highlight the potential of diffusion priors as versatile tools for brain MRI analysis.
Abstract（参考訳）: 拡散モデルは最近、医用画像の強力な生成モデルとして登場した。しかし、これらのデータ駆動モデルとドメイン知識を組み合わせて脳画像の問題を導くことは、依然として大きな課題である。ニューロイメージングにおいて、ベイジアン逆問題はかなり前から推論タスクのフレームワークを提供しており、イメージングプロセスのドメイン知識を取り入れることで、広範なトレーニングデータを必要としない堅牢なパフォーマンスを実現している。しかし、これらのアプローチの解剖学的モデリングの構成要素は、しばしば脳解剖学の複雑な構造を捉えるのに失敗する古典的な数学的先例に依存している。本研究では,広範にわたる医用画像逆問題に先立って,拡散モデルの汎用的応用について述べる。我々のアプローチは、様々な脳MRIデータに基づいて事前訓練されたスコアベースの拡散を利用しており、超解像、バイアス場補正、塗装、それらの組み合わせといった一般的な画像処理タスクを捉えるフレキシブルフォワードモデルと組み合わせている。さらに、我々のフレームワークが既存のディープラーニング手法から出力を洗練し、解剖学的な忠実さを向上する方法を実証する。異種臨床・研究MRIデータを用いた実験により,本手法は,一対のトレーニングデータセットを必要とせず,一貫した高品質なソリューションを実現することができた。これらの結果は,脳MRI解析のための多目的ツールとして,拡散先行の可能性を浮き彫りにした。

関連論文リスト

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)
DiffKAN-Inpainting: KAN-based Diffusion model for brain tumor inpainting [11.9146658587331]
脳の塗布は、腫瘍組織処理に有効なソリューションを提供するが、難しい。本研究では,拡散モデルとKolmogorov-Arnold Networksアーキテクチャを融合したDiffKAN-Inpaintingを提案する。定性的かつ定量的な結果は、最先端の手法と比較して、我々の提案したDiffKAN-InpaintingインペイントがBraTSデータセットをより詳細に、リアルに再構築していることを示している。
論文参考訳（メタデータ） (2025-02-24T01:34:28Z)
Bidirectional Brain Image Translation using Transfer Learning from Generic Pre-trained Models [0.0]
医療分野では、ラベル付き医療画像を取得することは労働集約的で費用がかかるため、データの不足に対処することが大きな課題である。近年の研究では、この問題を克服するためにトランスファーラーニング(transfer learning)が提案されている。本研究では,MR-CT画像翻訳の課題に対して,転送学習を適用した。
論文参考訳（メタデータ） (2025-01-21T20:30:15Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
BrainSegFounder: Towards 3D Foundation Models for Neuroimage Segmentation [6.5388528484686885]
本研究は,医療基盤モデルの創出に向けた新しいアプローチを紹介する。本稿では,視覚変換器を用いた2段階事前学習手法を提案する。 BrainFounderは、これまでの勝利ソリューションの成果を上回る、大幅なパフォーマンス向上を実演している。
論文参考訳（メタデータ） (2024-06-14T19:49:45Z)
Cross-Modal Domain Adaptation in Brain Disease Diagnosis: Maximum Mean Discrepancy-based Convolutional Neural Networks [0.0]
脳障害は世界の健康にとって大きな課題であり、毎年何百万人もの死者を出している。これらの疾患の正確な診断は、MRIやCTのような高度な医療画像技術に大きく依存している。注釈付きデータの不足は、診断のための機械学習モデルをデプロイする上で大きな課題となる。
論文参考訳（メタデータ） (2024-05-06T07:44:46Z)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
Multi-modal Graph Neural Network for Early Diagnosis of Alzheimer's Disease from sMRI and PET Scans [11.420077093805382]
我々は,非ユークリッド領域の問題に対処するためのグラフニューラルネットワーク(GNN)を提案する。本研究では,sMRIやPET画像から脳ネットワークを生成可能であることを示す。次に、各モーダルが独自のGNNの分岐を持つマルチモーダルGNNフレームワークを提案し、その多モーダルデータを組み合わせる手法を提案する。
論文参考訳（メタデータ） (2023-07-31T02:04:05Z)
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)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)

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。