論文の概要: Trustworthy Longitudinal Brain MRI Completion: A Deformation-Based Approach with KAN-Enhanced Diffusion Model
- arxiv url: http://arxiv.org/abs/2601.09572v1
- Date: Wed, 14 Jan 2026 15:41:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-15 18:59:20.453997
- Title: Trustworthy Longitudinal Brain MRI Completion: A Deformation-Based Approach with KAN-Enhanced Diffusion Model
- Title（参考訳）: 信頼できる経時的脳MRIの完全性: Kan-Enhanced Diffusion Modelによる変形に基づくアプローチ
- Authors: Tianli Tao, Ziyang Wang, Delong Yang, Han Zhang, Le Zhang,
- Abstract要約: 縦断的脳MRIは、寿命の研究には不可欠であるが、高い摂食率は、しばしば欠落データにつながる。
深層生成モデルは研究されてきたが、ほとんどは画像強度に頼っている。
我々は,コンモゴロフ・アルノルドネットワーク(KAN)を拡張した拡散モデルであるDF-DiffComを紹介した。
- 参考スコア（独自算出の注目度）: 17.79398900814243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Longitudinal brain MRI is essential for lifespan study, yet high attrition rates often lead to missing data, complicating analysis. Deep generative models have been explored, but most rely solely on image intensity, leading to two key limitations: 1) the fidelity or trustworthiness of the generated brain images are limited, making downstream studies questionable; 2) the usage flexibility is restricted due to fixed guidance rooted in the model structure, restricting full ability to versatile application scenarios. To address these challenges, we introduce DF-DiffCom, a Kolmogorov-Arnold Networks (KAN)-enhanced diffusion model that smartly leverages deformation fields for trustworthy longitudinal brain image completion. Trained on OASIS-3, DF-DiffCom outperforms state-of-the-art methods, improving PSNR by 5.6% and SSIM by 0.12. More importantly, its modality-agnostic nature allows smooth extension to varied MRI modalities, even to attribute maps such as brain tissue segmentation results.
- Abstract（参考訳）: 縦断的脳MRIは、寿命の研究には不可欠であるが、高い摂食率は、しばしば欠落データにつながり、分析を複雑にする。
深部生成モデルが研究されているが、ほとんどは画像の強度に頼っている。
1) 生成した脳画像の忠実性又は信頼性は制限されており、下流研究が疑問視されている。
2) 利用の柔軟性は、モデル構造に根ざした固定的なガイダンスによって制限され、アプリケーションシナリオを汎用化するための完全な能力が制限されます。
これらの課題に対処するために,コンモゴロフ・アルノルドネットワーク(KAN)を用いた拡散モデルDF-DiffComを導入する。
OASIS-3で訓練されたDF-DiffComは最先端の手法より優れ、PSNRは5.6%、SSIMは0.12パーセント向上した。
さらに重要なことは、そのモダリティに依存しない性質は、様々なMRIモダリティへの円滑な拡張を可能にします。
関連論文リスト
- Region-Aware Reconstruction Strategy for Pre-training fMRI Foundation Model [0.7771985426812056]
我々は,自己指導型事前訓練中に,意味的コヒーレントな脳領域を選択的にマスキングするためのROI誘導マスキング戦略を導入する。
本手法はADHDと診断された個人から健康的なコントロールを識別するための分類精度が4.23%向上したことを示す。
以上の結果から, モデル前訓練における解剖学的領域のマスキングは, 解釈可能性を高めるだけでなく, より堅牢で差別的な表現をもたらすことが示唆された。
論文 参考訳（メタデータ） (2025-11-01T08:12:00Z) - SLaM-DiMM: Shared Latent Modeling for Diffusion Based Missing Modality Synthesis in MRI [0.0]
脳MRIスキャンは、T1強調画像(T1ceとT1w)、T2強調画像(T2w)、Frairの4つのモードでしばしば見られる。
SLaM-DiMMは、拡散モデルのパワーを利用して、他の利用可能なモダリティから4つのMRIモダリティのいずれかを合成する新しいモダリティ生成フレームワークである。
論文 参考訳（メタデータ） (2025-09-19T14:27:35Z) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - Dual-domain Multi-path Self-supervised Diffusion Model for Accelerated MRI Reconstruction [9.601655294394313]
近年のディープラーニング,特に拡散モデルの発展により,MRIの高速化が進んでいる。
本稿では,これらの課題を克服するために,Dual-domain Multi-path Self-supervised Diffusion Model (DMSM)を提案する。
従来の拡散モデルとは異なり、DMSMは完全なサンプルデータからトレーニングへの依存を取り除く。
論文 参考訳（メタデータ） (2025-03-24T16:10:51Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for
Structural Connectivity Prediction from Brain fMRI [15.40111168345568]
構造接続(SC)と機能的磁気共鳴イメージング(fMRI)の信頼性非直線マッピング関係を橋渡しすることは困難である
脳のfMRIからエンド・ツー・エンド・エンドの方法でSCを予測するために,新しい拡散生成逆ネットワークを用いたfMRI-to-SCモデルを提案する。
論文 参考訳（メタデータ） (2023-09-28T06:55:50Z) - 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) - FastSurferVINN: Building Resolution-Independence into Deep Learning
Segmentation Methods -- A Solution for HighRes Brain MRI [0.0]
本稿では,Voxelsize Independent Neural Network (VINN) を導入する。
VINNは0.7-1.0mmの脳セグメンテーションを同時にサポートする最初の方法である。
全体として、内部分解能独立性は、HiResと1.0mmMRIのセグメンテーションの両方に有益である。
論文 参考訳（メタデータ） (2021-12-17T17:56:59Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳（メタデータ） (2021-02-25T14:52:23Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳（メタデータ） (2020-06-23T09:20:42Z)
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。