論文の概要: CRONOS: Continuous Time Reconstruction for 4D Medical Longitudinal Series

• arxiv url: http://arxiv.org/abs/2512.16577v1
• Date: Thu, 18 Dec 2025 14:16:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.095133
• Title: CRONOS: Continuous Time Reconstruction for 4D Medical Longitudinal Series
• Title（参考訳）: CRONOS:4次元医用縦列の連続的時間再構成
• Authors: Nico Albert Disch, Saikat Roy, Constantin Ulrich, Yannick Kirchhoff, Maximilian Rokuss, Robin Peretzke, David Zimmerer, Klaus Maier-Hein,
• Abstract要約: 複数の過去のスキャンから多対一の予測を行う統合フレームワークであるCRONOSを提案する。 再現可能なマルチデータセットのマルチコンテキスト連続予測ベンチマークを可能にするため,コードと評価プロトコルをリリースする。
• 参考スコア（独自算出の注目度）: 4.916511768554555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting how 3D medical scans evolve over time is important for disease progression, treatment planning, and developmental assessment. Yet existing models either rely on a single prior scan, fixed grid times, or target global labels, which limits voxel-level forecasting under irregular sampling. We present CRONOS, a unified framework for many-to-one prediction from multiple past scans that supports both discrete (grid-based) and continuous (real-valued) timestamps in one model, to the best of our knowledge the first to achieve continuous sequence-to-image forecasting for 3D medical data. CRONOS learns a spatio-temporal velocity field that transports context volumes toward a target volume at an arbitrary time, while operating directly in 3D voxel space. Across three public datasets spanning Cine-MRI, perfusion CT, and longitudinal MRI, CRONOS outperforms other baselines, while remaining computationally competitive. We will release code and evaluation protocols to enable reproducible, multi-dataset benchmarking of multi-context, continuous-time forecasting.
• Abstract（参考訳）: 3D医療スキャンが時間とともにどのように進化するかを予測することは、疾患の進行、治療計画、発達評価にとって重要である。 しかし、既存のモデルは、単一の事前スキャン、固定グリッドタイム、あるいはターゲットのグローバルラベルに依存しており、不規則サンプリングの下でのボクセルレベルの予測を制限する。 CRONOSは、複数の過去のスキャンから、個別(グリッドベース)と連続(実値)のタイムスタンプの両方を一つのモデルでサポートする、多対一で予測するための統合フレームワークである。 CRONOSは3Dボクセル空間で直接操作しながら、コンテキストボリュームを任意の時間でターゲットボリュームに転送する時空間速度場を学習する。 Cine-MRI、灌流CT、縦MRIにまたがる3つの公開データセットにおいて、CRONOSは他のベースラインよりも優れ、計算上の競争力は保たれている。 再現可能なマルチデータセットのマルチコンテキスト連続予測ベンチマークを可能にするため,コードと評価プロトコルをリリースする。

関連論文リスト

• $Δ$t-Mamba3D: A Time-Aware Spatio-Temporal State-Space Model for Breast Cancer Risk Prediction [3.112167541428413]
  縦断的医用画像解析に適応した新しい状態空間アーキテクチャを開発した。 我々のモデルは、不規則なビジット間隔とリッチ・テンポラルコンテキストを同時に符号化する。 その線形複雑さのおかげで、このモデルはマンモグラフィーの長期および複雑な患者のスクリーニング履歴を効率的に処理することができる。
  論文  参考訳（メタデータ） (2025-10-21T18:29:17Z)
• Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
  グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。 本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-13T14:42:46Z)
• Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
  現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。 ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。 我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
  論文  参考訳（メタデータ） (2025-09-03T08:51:38Z)
• Temporal Flow Matching for Learning Spatio-Temporal Trajectories in 4D Longitudinal Medical Imaging [4.916511768554556]
  時間的フローマッチング(TFM: Temporal Flow Matching)は,時間的分布を学習するための統合的生成軌道法である。 TFMは、自然画像から病気の時間的モデリング手法を一貫して上回っている。 3D$ボリューム、複数回の事前スキャン、不規則サンプリングをサポートする。
  論文  参考訳（メタデータ） (2025-08-29T12:34:28Z)
• MIRA: Medical Time Series Foundation Model for Real-World Health Data [39.55921588296102]
  医用時系列の統一基盤モデルは、アノテーションの負担を軽減し、モデルのカスタマイズを最小化し、堅牢な転送を可能にする。 医療時系列の予測に特化して設計された統合基盤モデルであるMIRAを紹介する。 MIRAは、他のゼロショットベースラインや微調整ベースラインと比較して、アウト・オブ・ディストリビューションとイン・ディストリビューションのシナリオで平均10%と7%の誤差を予測できる。
  論文  参考訳（メタデータ） (2025-06-09T09:27:17Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
  生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。 既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。 我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。