論文の概要: AD-DAE: Unsupervised Modeling of Longitudinal Alzheimer's Disease Progression with Diffusion Auto-Encoder

• arxiv url: http://arxiv.org/abs/2511.05934v1
• Date: Sat, 08 Nov 2025 08:56:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.663687
• Title: AD-DAE: Unsupervised Modeling of Longitudinal Alzheimer's Disease Progression with Diffusion Auto-Encoder
• Title（参考訳）: AD-DAE: Diffusion Auto-Encoder を用いた縦型アルツハイマー病進展の教師なしモデリング
• Authors: Ayantika Das, Arunima Sarkar, Keerthi Ram, Mohanasankar Sivaprakasam,
• Abstract要約: 本稿では,ベースライン画像から追従画像を生成するための条件付き拡散自動エンコーダフレームワークを提案する。 我々は,アルツハイマー病データセットにおける画像品質指標,容積進行分析,下流分類を通じて,世代を検証した。
• 参考スコア（独自算出の注目度）: 3.3023777069561127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative modeling frameworks have emerged as an effective approach to capture high-dimensional image distributions from large datasets without requiring domain-specific knowledge, a capability essential for longitudinal disease progression modeling. Recent generative modeling approaches have attempted to capture progression by mapping images into a latent representational space and then controlling and guiding the representations to generate follow-up images from a baseline image. However, existing approaches impose constraints on distribution learning, leading to latent spaces with limited controllability to generate follow-up images without explicit supervision from subject-specific longitudinal images. In order to enable controlled movements in the latent representational space and generate progression images from a baseline image in an unsupervised manner, we introduce a conditionable Diffusion Auto-encoder framework. The explicit encoding mechanism of image-diffusion auto-encoders forms a compact latent space capturing high-level semantics, providing means to disentangle information relevant for progression. Our approach leverages this latent space to condition and apply controlled shifts to baseline representations for generating follow-up. Controllability is induced by restricting these shifts to a subspace, thereby isolating progression-related factors from subject identity-preserving components. The shifts are implicitly guided by correlating with progression attributes, without requiring subject-specific longitudinal supervision. We validate the generations through image quality metrics, volumetric progression analysis, and downstream classification in Alzheimer's disease datasets from two different sources and disease categories. This demonstrates the effectiveness of our approach for Alzheimer's progression modeling and longitudinal image generation.
• Abstract（参考訳）: 生成的モデリングフレームワークは、ドメイン固有の知識を必要とせず、大規模なデータセットから高次元画像分布をキャプチャするための効果的なアプローチとして現れてきた。 最近の生成的モデリング手法は、画像を潜在表現空間にマッピングし、ベースライン画像から追従画像を生成するための表現の制御と誘導によって進行を捉えようと試みている。 しかし、既存の手法では分布学習に制約が課されており、従順性に制限された潜在空間が、主観的な長手画像から明示的に監督されることなく、追従画像を生成することができる。 潜在表現空間における制御された動きを可能とし,ベースライン画像からの進行画像を教師なしで生成するために,条件付き拡散オートエンコーダフレームワークを導入する。 画像拡散オートエンコーダの明示的な符号化機構は、高レベルのセマンティクスをキャプチャするコンパクトな潜在空間を形成し、進行に関連する情報をアンタングルする手段を提供する。 提案手法は, この潜在空間を条件に利用し, ベースライン表現に制御シフトを適用し, フォローアップを生成する。 制御性は、これらのシフトをサブスペースに制限することで引き起こされるため、プログレッシション関連因子を主観的アイデンティティ保存成分から分離する。 シフトは、主観的な縦断的な監督を必要とせず、進行特性と相関して暗黙的に導かれる。 本研究は, 画像品質指標, 容積進行分析, および2つの疾患カテゴリから得られたアルツハイマー病データセットの下流分類を用いて, 世代を検証した。 本研究は,アルツハイマーの進行モデルと縦画像生成におけるアプローチの有効性を示すものである。

関連論文リスト

• Graph Conditioned Diffusion for Controllable Histopathology Image Generation [26.102552837222103]
  グラフ合成拡散のためのグラフベースオブジェクトレベル表現を提案する。 提案手法は,画像の各主要構造に対応するグラフノードを生成し,個々の特徴と関係をカプセル化する。 我々は,本手法を実世界の病理組織学のユースケースを用いて評価し,下流セグメンテーションタスクにおける注釈付き患者データに確実に代用できることを実証した。
  論文  参考訳（メタデータ） (2025-10-08T15:26:08Z)
• Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
  そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。 本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T01:54:18Z)
• 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)
• MMAR: Towards Lossless Multi-Modal Auto-Regressive Probabilistic Modeling [64.09238330331195]
  本稿では,MMAR(Multi-Modal Auto-Regressive)確率モデルフレームワークを提案する。 離散化の手法とは異なり、MMARは情報損失を効率的に回避するために、連続的に評価された画像トークンを取り入れている。 また,数値安定性問題に対処する理論的に実証された手法と,タスク目標の生成と理解のバランスをとるトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-14T17:57:18Z)
• ImageFlowNet: Forecasting Multiscale Image-Level Trajectories of Disease Progression with Irregularly-Sampled Longitudinal Medical Images [44.107186498384024]
  ImageFlowNetは、空間的詳細を保存しながら、初期画像から疾患軌跡を予測するために設計された新しいモデルである。 我々は、ODEの定式化を支援し、高レベルの視覚的特徴を含む正規化を動機付ける理論的洞察を提供する。 私たちのコントリビューションには、ImageFlowNetの開発、実世界のデータセットに関する理論的および実証的な検証が含まれています。
  論文  参考訳（メタデータ） (2024-06-20T23:51:32Z)
• SSMG: Spatial-Semantic Map Guided Diffusion Model for Free-form Layout-to-Image Generation [68.42476385214785]
  本稿では,レイアウトから派生した特徴写像を用いた空間意味マップガイド(SSMG)拡散モデルを提案する。 SSMGは,従来の研究に比べて空間的,意味的な制御性に優れた生成品質を実現する。 また,RSA(Relation-Sensitive Attention)機構とLSA(Location-Sensitive Attention)機構を提案する。
  論文  参考訳（メタデータ） (2023-08-20T04:09:12Z)

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。