論文の概要: FlowLet: Conditional 3D Brain MRI Synthesis using Wavelet Flow Matching

• arxiv url: http://arxiv.org/abs/2601.05212v1
• Date: Thu, 08 Jan 2026 18:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.337642
• Title: FlowLet: Conditional 3D Brain MRI Synthesis using Wavelet Flow Matching
• Title（参考訳）: FlowLet:ウェーブレットフローマッチングを用いた条件付き3次元脳MRI合成
• Authors: Danilo Danese, Angela Lombardi, Matteo Attimonelli, Giuseppe Fasano, Tommaso Di Noia,
• Abstract要約: 年齢条件付き3次元MRIを合成する条件生成フレームワークであるFlowLetを提案する。 実験により、FlowLetはサンプリングステップの少ない高忠実度ボリュームを生成することが示された。
• 参考スコア（独自算出の注目度）: 7.371811584771131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain Magnetic Resonance Imaging (MRI) plays a central role in studying neurological development, aging, and diseases. One key application is Brain Age Prediction (BAP), which estimates an individual's biological brain age from MRI data. Effective BAP models require large, diverse, and age-balanced datasets, whereas existing 3D MRI datasets are demographically skewed, limiting fairness and generalizability. Acquiring new data is costly and ethically constrained, motivating generative data augmentation. Current generative methods are often based on latent diffusion models, which operate in learned low dimensional latent spaces to address the memory demands of volumetric MRI data. However, these methods are typically slow at inference, may introduce artifacts due to latent compression, and are rarely conditioned on age, thereby affecting the BAP performance. In this work, we propose FlowLet, a conditional generative framework that synthesizes age-conditioned 3D MRIs by leveraging flow matching within an invertible 3D wavelet domain, helping to avoid reconstruction artifacts and reducing computational demands. Experiments show that FlowLet generates high-fidelity volumes with few sampling steps. Training BAP models with data generated by FlowLet improves performance for underrepresented age groups, and region-based analysis confirms preservation of anatomical structures.
• Abstract（参考訳）: 脳磁気共鳴イメージング(Brain Magnetic Resonance Imaging, MRI)は、神経発生、老化、疾患の研究において中心的な役割を果たす。 1つの重要な応用は脳年齢予測(BAP)であり、MRIデータから個人の生物学的脳年齢を推定する。 有効なBAPモデルは、大きく、多様性があり、年齢バランスの取れたデータセットを必要とするが、既存の3D MRIデータセットは、人口統計学的に歪められ、公正性と一般化性を制限する。 新たなデータを取得するにはコストと倫理的制約がかかり、生成データの増大を動機付けます。 現在の生成法はしばしば、ボリュームMRIデータのメモリ要求に対応するために学習された低次元の潜在空間で動作する潜時拡散モデルに基づいている。 しかし、これらの手法は一般的に推論が遅いため、潜伏圧縮によるアーティファクトを導入し、年齢に応じて条件付けされることは稀であり、その結果、BAPの性能に影響を及ぼす。 本研究では,非可逆な3次元ウェーブレット領域内でのフローマッチングを利用して,年齢条件付き3次元MRIを合成する条件生成フレームワークであるFlowLetを提案する。 実験により、FlowLetはサンプリングステップの少ない高忠実度ボリュームを生成することが示された。 FlowLetが生成したデータによるBAPモデルのトレーニングでは,未表現の年齢群のパフォーマンスが向上し,領域ベース解析により解剖学的構造の保存が確認される。

関連論文リスト

• Unrolled Networks are Conditional Probability Flows in MRI Reconstruction [13.185194525641478]
  本稿では,条件付き確率フローODEの個別実装であるアンロールネットワークを理論的に証明し,MRI再構成にフローODEを導入する。 この接続はパラメータの明示的な定式化を提供し、中間状態がどのように進化するかを明確にする。 本研究では、未学習パラメータをODE離散化から導出し、中間再構成を理想的なODE軌道と整合させて安定性と収束性を向上させるフローアラインドトレーニング(FLAT)を提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:48:10Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• A Generative Diffusion Model to Solve Inverse Problems for Robust in-NICU Neonatal MRI [2.508200203858861]
  新生児集中治療室(NICU)におけるMRI(MRI)の初回取得・診断拡散生成モデルについて紹介する。 In-NICU MRIスキャナーは、脳の潜在的な異常を非侵襲的に評価するために、低磁場強度の永久磁石を利用する。 この設定では、トレーニングデータのサイズは小さく、本質的には低信号対雑音比(SNR)に悩まされている。
  論文  参考訳（メタデータ） (2024-10-28T23:12:09Z)
• A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
  変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。 ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
  論文  参考訳（メタデータ） (2024-05-13T17:49:20Z)

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。