論文の概要: USB: Unified Synthetic Brain Framework for Bidirectional Pathology-Healthy Generation and Editing

• arxiv url: http://arxiv.org/abs/2512.00269v1
• Date: Sat, 29 Nov 2025 01:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.141133
• Title: USB: Unified Synthetic Brain Framework for Bidirectional Pathology-Healthy Generation and Editing
• Title（参考訳）: USB:双方向病理診断・編集のための統合合成脳フレームワーク
• Authors: Jun Wang, Peirong Liu,
• Abstract要約: USB(Unified Synthetic Brain)は、病的および健康的な脳画像の双方向生成と編集を統合する最初のエンドツーエンドフレームワークである。 USBは2つの拡散機構を通じて病変と脳解剖の関節分布をモデル化し、病理画像生成と健康画像生成の両方を実現する。
• 参考スコア（独自算出の注目度）: 8.695330306289884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the relationship between pathological and healthy brain structures is fundamental to neuroimaging, connecting disease diagnosis and detection with modeling, prediction, and treatment planning. However, paired pathological-healthy data are extremely difficult to obtain, as they rely on pre- and post-treatment imaging, constrained by clinical outcomes and longitudinal data availability. Consequently, most existing brain image generation and editing methods focus on visual quality yet remain domain-specific, treating pathological and healthy image modeling independently. We introduce USB (Unified Synthetic Brain), the first end-to-end framework that unifies bidirectional generation and editing of pathological and healthy brain images. USB models the joint distribution of lesions and brain anatomy through a paired diffusion mechanism and achieves both pathological and healthy image generation. A consistency guidance algorithm further preserves anatomical consistency and lesion correspondence during bidirectional pathology-healthy editing. Extensive experiments on six public brain MRI datasets including healthy controls, stroke, and Alzheimer's patients, demonstrate USB's ability to produce diverse and realistic results. By establishing the first unified benchmark for brain image generation and editing, USB opens opportunities for scalable dataset creation and robust neuroimaging analysis. Code is available at https://github.com/jhuldr/USB.
• Abstract（参考訳）: 病理的な脳構造と健康的な脳構造との関係を理解することは、神経画像化、疾患の診断と診断をモデリング、予測、治療計画と結びつけるのに不可欠である。 しかし, 臨床成績と経時的データ提供の制約により, 術前画像と術後画像に頼っているため, 対病的健康データを得るのは非常に困難である。 その結果、既存のほとんどの脳画像生成および編集方法は、視覚的品質に焦点をあてるが、領域固有のままであり、病的および健康的な画像モデリングを独立に扱う。 我々は、病的、健康的な脳画像の双方向生成と編集を統一する最初のエンドツーエンドフレームワークであるUSB(Unified Synthetic Brain)を紹介する。 USBは2つの拡散機構を通じて病変と脳解剖の関節分布をモデル化し、病理画像生成と健康画像生成の両方を実現する。 整合性誘導アルゴリズムは、双方向の病理・健康編集において、解剖学的整合性および病変対応性をさらに維持する。 健康なコントロール、脳卒中、アルツハイマー病患者の6つのパブリック脳MRIデータセットに関する大規模な実験は、多様な現実的な結果を生み出すUSBの能力を実証している。 脳画像生成と編集のための最初の統一ベンチマークを確立することで、USBはスケーラブルなデータセット作成と堅牢なニューロイメージング分析の機会を開放する。 コードはhttps://github.com/jhuldr/USBで入手できる。

関連論文リスト

• Image-to-Brain Signal Generation for Visual Prosthesis with CLIP Guided Multimodal Diffusion Models [6.761875482596085]
  画像からM/EEGを生成する最初の画像-脳信号フレームワークを提案する。 提案フレームワークは,事前学習したCLIPビジュアルエンコーダと,有意な拡張U-Net拡散モデルからなる。 コンディショニングのための単純な結合に依存する従来の生成モデルとは異なり、我々のクロスアテンションモジュールは視覚的特徴と脳信号表現の間の複雑な相互作用を捉えている。
  論文  参考訳（メタデータ） (2025-08-31T10:29:58Z)
• 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)
• BrainPrompt: Multi-Level Brain Prompt Enhancement for Neurological Condition Identification [18.50236178374499]
  BrainPromptはグラフニューラルネットワーク(GNN)を強化する革新的なフレームワーク BrainPromptは、Large Language Models(LLM)と知識駆動のプロンプトを統合している。 神経疾患からの2つの安静時機能的磁気共鳴画像(fMRI)データセットにおけるBrainPromptの評価を行った。
  論文  参考訳（メタデータ） (2025-04-12T06:45:16Z)
• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• BrainNetDiff: Generative AI Empowers Brain Network Generation via Multimodal Diffusion Model [7.894526238189559]
  我々は、マルチヘッドトランスフォーマーエンコーダを組み合わせてfMRI時系列から関連する特徴を抽出するBrainNetDiffを紹介する。 健康・神経障害コホートにおける脳ネットワーク構築におけるこの枠組みの適用性を検証する。
  論文  参考訳（メタデータ） (2023-11-09T08:27:12Z)
• 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)
• 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)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)

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。