論文の概要: Long-Term Alzheimers Disease Prediction: A Novel Image Generation Method Using Temporal Parameter Estimation with Normal Inverse Gamma Distribution on Uneven Time Series

• arxiv url: http://arxiv.org/abs/2511.21057v1
• Date: Wed, 26 Nov 2025 04:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:58.97155
• Title: Long-Term Alzheimers Disease Prediction: A Novel Image Generation Method Using Temporal Parameter Estimation with Normal Inverse Gamma Distribution on Uneven Time Series
• Title（参考訳）: 長期アルツハイマー病予測:不均一時系列における正常逆ガンマ分布を用いた時間パラメータ推定を用いた新しい画像生成法
• Authors: Xin Hong, Xinze Sun, Yinhao Li, Yen-Wei Chen,
• Abstract要約: 本研究では,T-NIG(正規逆ガンマ分布)内の時間パラメータを推定し,長期にわたる画像生成を支援するモデルを提案する。 T-NIGモデルは、2つの異なる時点の脳画像を用いて中間的な脳画像を作成し、将来の画像を予測する。 その結果, T-NIGは, 不規則な時間的データ分布に直面しても, 疾患関連特性を維持しつつ, 進行予測に優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 10.295346114488526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image generation can provide physicians with an imaging diagnosis basis in the prediction of Alzheimer's Disease (AD). Recent research has shown that long-term AD predictions by image generation often face difficulties maintaining disease-related characteristics when dealing with irregular time intervals in sequential data. Considering that the time-related aspects of the distribution can reflect changes in disease-related characteristics when images are distributed unevenly, this research proposes a model to estimate the temporal parameter within the Normal Inverse Gamma Distribution (T-NIG) to assist in generating images over the long term. The T-NIG model employs brain images from two different time points to create intermediate brain images, forecast future images, and predict the disease. T-NIG is designed by identifying features using coordinate neighborhoods. It incorporates a time parameter into the normal inverse gamma distribution to understand how features change in brain imaging sequences that have varying time intervals. Additionally, T-NIG utilizes uncertainty estimation to reduce both epistemic and aleatoric uncertainties in the model, which arise from insufficient temporal data. In particular, the T-NIG model demonstrates state-of-the-art performance in both short-term and long-term prediction tasks within the dataset. Experimental results indicate that T-NIG is proficient in forecasting disease progression while maintaining disease-related characteristics, even when faced with an irregular temporal data distribution.
• Abstract（参考訳）: 画像生成は、アルツハイマー病(AD)の予測において、画像診断基盤を提供することができる。 近年の研究では、画像生成による長期AD予測は、連続データにおける不規則な時間間隔を扱う際に、疾患関連特性を維持するのが困難であることが多いことが示されている。 この分布の時間的側面は、画像が不均一に分布する際の疾患特性の変化を反映することができることを考慮し、正常逆ガンマ分布(T-NIG)内の時間的パラメータを推定し、長期にわたって画像の生成を支援するモデルを提案する。 T-NIGモデルは、2つの異なる時点の脳画像を用いて中間的な脳画像を作成し、将来の画像を予測する。 T-NIGは座標近傍を用いて特徴を特定することで設計されている。 時間パラメータを通常の逆ガンマ分布に組み込んで、時間間隔の異なる脳画像における特徴がどのように変化するかを理解する。 さらに、T-NIGは不確実性推定を利用して、時間的データ不足から生じる、モデルにおけるてんかんとアラート的不確実性の両方を削減する。 特に、T-NIGモデルは、データセット内の短期的および長期的予測タスクにおいて、最先端のパフォーマンスを示す。 その結果, T-NIGは, 不規則な時間的データ分布に直面しても, 疾患関連特性を維持しつつ, 進行予測に優れていたことが示唆された。

関連論文リスト

• The Age-specific Alzheimer 's Disease Prediction with Characteristic Constraints in Nonuniform Time Span [4.942858330501419]
  アルツハイマー病は認知機能の低下を特徴とする不安定な疾患である。 アルツハイマー病の予測に生成された画像の応用が課題となっている。 本研究は,定量的指標による逐次画像生成のための革新的な手法を提案する。
  論文  参考訳（メタデータ） (2025-11-26T15:58:44Z)
• Alzheimers Disease Progression Prediction Based on Manifold Mapping of Irregularly Sampled Longitudinal Data [12.210689327265072]
  アルツハイマー病(AD)の進行は、不規則にサンプリングされた縦型磁気共鳴画像(sMRI)データからモデル化される。 提案手法はまず,高次元sMRIから抽出した特徴を多様体空間に投射し,本質的な疾患進行の形状を保存する。 提案手法は,病状予測と認知スコア回帰の両面で,最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-25T10:28:37Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• 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)
• Conditional Diffusion Model for Longitudinal Medical Image Generation [4.649475179575047]
  アルツハイマー病はゆっくりと進行し、生物学的因子間の複雑な相互作用を伴う。 縦断的医療画像データは、時間とともにこの進歩を捉えることができる。 しかし, 患者退院に伴うデータ不足, 不規則な経過観察間隔, 観察期間の変動など, 経時的データが頻繁に発生する。
  論文  参考訳（メタデータ） (2024-11-07T06:44:47Z)
• Time Series Generative Learning with Application to Brain Imaging Analysis [2.4087148947930634]
  本稿では、連続画像データ、特にMRI、fMRI、CTなどの脳画像データの解析に焦点を当てる。 我々は、隣接するペア間の$f$-divergenceから導かれるmin-max問題を定式化し、時系列生成器を学習する。 深層ニューラルネットワークで学習した生成器を用いて、生成したシーケンスの結合分布が潜在真理に収束することを証明する。
  論文  参考訳（メタデータ） (2024-07-19T03:24:20Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)

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。