Fugu-MT 論文翻訳(概要): Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction

論文の概要: Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction

arxiv url: http://arxiv.org/abs/2511.02558v1
Date: Tue, 04 Nov 2025 13:19:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 18:47:05.999139
Title: Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction
Title（参考訳）: 今後の解剖学予測 : 経時的脳血流量予測
Authors: Ali Farki, Elaheh Moradi, Deepika Koundal, Jussi Tohka,
Abstract要約: ベースライン磁気共鳴画像(MRI)から将来の脳状態を予測することは、ニューロイメージングにおける中心的な課題である。既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。そこで本研究では,数年後に被験者の脳MRI全体を予測する経時的MRI画像から画像への予測について検討する。
参考スコア（独自算出の注目度）: 4.906818291607462
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predicting future brain state from a baseline magnetic resonance image (MRI) is a central challenge in neuroimaging and has important implications for studying neurodegenerative diseases such as Alzheimer's disease (AD). Most existing approaches predict future cognitive scores or clinical outcomes, such as conversion from mild cognitive impairment to dementia. Instead, here we investigate longitudinal MRI image-to-image prediction that forecasts a participant's entire brain MRI several years into the future, intrinsically modeling complex, spatially distributed neurodegenerative patterns. We implement and evaluate five deep learning architectures (UNet, U2-Net, UNETR, Time-Embedding UNet, and ODE-UNet) on two longitudinal cohorts (ADNI and AIBL). Predicted follow-up MRIs are directly compared with the actual follow-up scans using metrics that capture global similarity and local differences. The best performing models achieve high-fidelity predictions, and all models generalize well to an independent external dataset, demonstrating robust cross-cohort performance. Our results indicate that deep learning can reliably predict participant-specific brain MRI at the voxel level, offering new opportunities for individualized prognosis.
Abstract（参考訳）: ベースライン磁気共鳴画像(MRI)から将来の脳の状態を予測することは、神経イメージングにおける中心的な課題であり、アルツハイマー病(AD)のような神経変性疾患の研究に重要な意味を持つ。既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。そこで本研究では, 複雑な空間分布型神経変性パターンを内在的にモデル化し, 参加者の脳MRI全体を今後数年にわたって予測する経時的MRI画像から画像への予測について検討する。我々は,2つの長手コホート(ADNI,AIBL)上に,UNet,U2-Net,UNETR,Time-Embedding UNet,ODE-UNetの5つのディープラーニングアーキテクチャを実装し,評価する。予測されたフォローアップMRIは、グローバルな類似性と局所的な差異をキャプチャするメトリクスを使用して、実際のフォローアップスキャンと直接比較される。最高のパフォーマンスモデルは高忠実度予測を達成し、全てのモデルは独立した外部データセットによく一般化し、堅牢なクロスコホート性能を示す。以上の結果から, 深層学習は参加者特異的脳MRIをボクセルレベルで確実に予測し, 個々の予後に新たな機会をもたらすことが示唆された。

関連論文リスト

Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。 VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文参考訳（メタデータ） (2025-10-14T17:44:45Z)
Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
論文参考訳（メタデータ） (2025-06-13T04:14:38Z)
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)
Brain Latent Progression: Individual-based Spatiotemporal Disease Progression on 3D Brain MRIs via Latent Diffusion [2.7853513988338108]
進行脳潜時モデル(BrLP)は3次元脳MRIで個々の疾患レベルの進行を予測するように設計されている。 BrLPはT1-Resonance (T1w) 脳MRIで2,805例の訓練と評価を行い,922例のMRIで2,257例の検診を行った。
論文参考訳（メタデータ） (2025-02-12T16:47:41Z)
Predicting Human Brain States with Transformer [45.25907962341717]
自己注意に基づくモデルでは、以前の21.6sで5.04sまでの脳状態を正確に予測できることが示される。これらの有望な初期結果は、fMRIデータに対するジェネリックモデルの開発の可能性を示している。
論文参考訳（メタデータ） (2024-12-11T00:18:39Z)
TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文参考訳（メタデータ） (2024-06-18T09:00:49Z)
Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
論文参考訳（メタデータ） (2024-06-10T16:24:46Z)
A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文参考訳（メタデータ） (2024-05-13T17:49:20Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery MRI Estimation / Synthesis for Multiple Sclerosis [0.0]
多発性硬化症(Multiple Sclerosis、MS)は、慢性進行性神経疾患である。脳MRI(FLAIR brain magnetic resonance imaging)は、他のMRI法と比較して、MS病変のより優れた可視化と特徴を提供する。 MSの縦断脳FLAIR MRIは、経時的に患者を反復的に画像化することで、臨床医が疾患の進行をモニタリングするための有用な情報を提供する。様々な時間ラグを伴う将来の脳MRI検査の予測は、健康な老化やアルツハイマー病の構造的変性など、限られた用途でのみ試みられている。
論文参考訳（メタデータ） (2022-09-09T12:42:00Z)

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。