論文の概要: Stochastic Siamese MAE Pretraining for Longitudinal Medical Images

• arxiv url: http://arxiv.org/abs/2512.23441v1
• Date: Mon, 29 Dec 2025 13:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.506782
• Title: Stochastic Siamese MAE Pretraining for Longitudinal Medical Images
• Title（参考訳）: 縦断的医用画像のための確率的シームズMAEトレーニング
• Authors: Taha Emre, Arunava Chakravarty, Thomas Pinetz, Dmitrii Lachinov, Martin J. Menten, Hendrik Scholl, Sobha Sivaprasad, Daniel Rueckert, Andrew Lotery, Stefan Sacu, Ursula Schmidt-Erfurth, Hrvoje Bogunović,
• Abstract要約: STAMPは2つの入力ボリューム間の時間差を条件に、プロセスを通じて時間情報を符号化するシームズMAEフレームワークである。 異なる時間点からのスキャンを比較するが、病気の進化に固有の不確実性を考慮できない決定論的アプローチとは異なり、STAMPは、MAE再構成損失を条件的変動目的として再検討することで、時間的動的に学習する。 われわれはSTAMPを2つのOCTおよび1つのMRIデータセットで評価した。STAMPプレトレーニングされたViTモデルは、後期黄斑変性症とアルツハイマー病の進行予測における既存の時間的MAE法および基礎モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 18.38706070993135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporally aware image representations are crucial for capturing disease progression in 3D volumes of longitudinal medical datasets. However, recent state-of-the-art self-supervised learning approaches like Masked Autoencoding (MAE), despite their strong representation learning capabilities, lack temporal awareness. In this paper, we propose STAMP (Stochastic Temporal Autoencoder with Masked Pretraining), a Siamese MAE framework that encodes temporal information through a stochastic process by conditioning on the time difference between the 2 input volumes. Unlike deterministic Siamese approaches, which compare scans from different time points but fail to account for the inherent uncertainty in disease evolution, STAMP learns temporal dynamics stochastically by reframing the MAE reconstruction loss as a conditional variational inference objective. We evaluated STAMP on two OCT and one MRI datasets with multiple visits per patient. STAMP pretrained ViT models outperformed both existing temporal MAE methods and foundation models on different late stage Age-Related Macular Degeneration and Alzheimer's Disease progression prediction which require models to learn the underlying non-deterministic temporal dynamics of the diseases.
• Abstract（参考訳）: 縦断的医療データセットの3次元ボリュームにおいて,画像表現の時間的認識は疾患進行の把握に不可欠である。 しかし、Masked Autoencoding (MAE)のような最新の最先端の自己教師型学習手法は、表現学習能力の強いにもかかわらず、時間的認識を欠いている。 本稿では,2つの入力ボリューム間の時間差を条件に,確率過程を通じて時間情報を符号化するSamese MAEフレームワークSTAMPを提案する。 異なる時点からのスキャンと比較する決定論的シームズアプローチとは異なり、STAMPは、MAE再構成損失を条件付き変分推論の目的とすることで、時間的ダイナミクスを確率論的に学習する。 患者に複数回来院した2つのOCTと1つのMRIデータセットでSTAMPを評価した。 STAMPプレトレーニングされたViTモデルは、年齢関連黄斑変性症とアルツハイマー病の進行予測において、既存の時間的MAE法と基礎モデルの両方を上回り、疾患の根底にある非決定論的時間的ダイナミクスを学習する必要がある。

関連論文リスト

• 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)
• 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)
• 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)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• 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)
• TINC: Temporally Informed Non-Contrastive Learning for Disease Progression Modeling in Retinal OCT Volumes [4.397304270654923]
  非競合的手法は損失に負を暗黙的に含み、異なる画像とモダリティをペアとして許容する。 時間的情報を用いた時間的コヒーレンストモグラフィーデータセットにおいて,既存の時間的情報を利用した。 本モデルは,中間年齢関連黄斑変性(AMD)から後期湿式AMDステージまでの時間枠内での変換のリスクを予測する上で,既存のモデルよりも優れる。
  論文  参考訳（メタデータ） (2022-06-30T13:42:09Z)
• Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
  本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。 緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
  論文  参考訳（メタデータ） (2021-10-26T20:06:05Z)
• Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
  アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。 本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-06T08:08:00Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。