論文の概要: Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling
- arxiv url: http://arxiv.org/abs/2601.14584v1
- Date: Wed, 21 Jan 2026 01:45:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-22 21:27:50.203831
- Title: Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling
- Title（参考訳）: 脳MRIの進展モデリングのための解剖学的ガイド下潜時拡散法
- Authors: Cheng Wan, Bahram Jafrasteh, Ehsan Adeli, Miaomiao Zhang, Qingyu Zhao,
- Abstract要約: Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。
軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
- 参考スコア（独自算出の注目度）: 10.62087466710015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately modeling longitudinal brain MRI progression is crucial for understanding neurodegenerative diseases and predicting individualized structural changes. Existing state-of-the-art approaches, such as Brain Latent Progression (BrLP), often use multi-stage training pipelines with auxiliary conditioning modules but suffer from architectural complexity, suboptimal use of conditional clinical covariates, and limited guarantees of anatomical consistency. We propose Anatomically Guided Latent Diffusion Model (AG-LDM), a segmentation-guided framework that enforces anatomically consistent progression while substantially simplifying the training pipeline. AG-LDM conditions latent diffusion by directly fusing baseline anatomy, noisy follow-up states, and clinical covariates at the input level, a strategy that avoids auxiliary control networks by learning a unified, end-to-end model that represents both anatomy and progression. A lightweight 3D tissue segmentation model (WarpSeg) provides explicit anatomical supervision during both autoencoder fine-tuning and diffusion model training, ensuring consistent brain tissue boundaries and morphometric fidelity. Experiments on 31,713 ADNI longitudinal pairs and zero-shot evaluation on OASIS-3 demonstrate that AG-LDM matches or surpasses more complex diffusion models, achieving state-of-the-art image quality and 15-20\% reduction in volumetric errors in generated images. AG-LDM also exhibits markedly stronger utilization of temporal and clinical covariates (up to 31.5x higher sensitivity than BrLP) and generates biologically plausible counterfactual trajectories, accurately capturing hallmarks of Alzheimer's progression such as limbic atrophy and ventricular expansion. These results highlight AG-LDM as an efficient, anatomically grounded framework for reliable brain MRI progression modeling.
- Abstract（参考訳）: 神経変性疾患の理解と個々の構造変化の予測には、経時的に脳MRIの進行を正確にモデル化することが不可欠である。
Brain Latent Progression (BrLP)のような既存の最先端のアプローチでは、補助的な条件付けモジュールを備えたマルチステージトレーニングパイプラインを使用することが多いが、アーキテクチャ上の複雑さ、条件付き臨床共変体の使用、解剖学的整合性の限定的な保証に悩まされている。
本稿では,解剖学的に一貫した進行を行ない,トレーニングパイプラインを大幅に単純化するセグメント化誘導フレームワークであるAG-LDMを提案する。
AG-LDM条件は, ベースライン解剖, ノイズ追従状態, 臨床共変物質を入力レベルで直接拡散することにより潜伏拡散し, 解剖と進行の両方を表す統一的なエンドツーエンドモデルを学ぶことによって補助制御網を回避する戦略である。
軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの間、明らかな解剖学的監督を提供し、一貫した脳組織の境界と形態的忠実性を確保する。
OASIS-3における31,713のADNI長手対とゼロショットの評価実験により、AG-LDMはより複雑な拡散モデルと一致し、最先端の画像品質と生成画像における体積誤差の15-20%の低減を達成することを示した。
AG-LDMはまた、時間的および臨床的共変体(BrLPよりも最大31.5倍高い感度)の顕著な利用を示し、生物学的に妥当な反事実軌道を生成し、三肢萎縮や心室拡張などのアルツハイマーの進行の目印を正確に捉えている。
これらの結果から、AG-LDMは信頼性脳MRIの進展モデリングのための効率的で解剖学的基盤となるフレームワークとして注目されている。
関連論文リスト
- Trustworthy Longitudinal Brain MRI Completion: A Deformation-Based Approach with KAN-Enhanced Diffusion Model [17.79398900814243]
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。
論文 参考訳（メタデータ） (2026-01-14T15:41:40Z) - POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI [7.901173149711112]
POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。
提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
論文 参考訳（メタデータ） (2026-01-14T00:20:13Z) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation [2.538209532048867]
VGDMは脳腫瘍の検出とセグメンテーションのための視覚誘導拡散フレームワークである。
拡散過程のコアに視覚変換器を埋め込む。
トランスフォーマーバックボーンは、MRIボリューム全体にわたってより効果的な空間関係のモデリングを可能にする。
ボクセルレベルの誤差を緩和し、きめ細かい腫瘍の詳細を回復する。
論文 参考訳（メタデータ） (2025-10-02T14:52:08Z) - Automated Labeling of Intracranial Arteries with Uncertainty Quantification Using Deep Learning [2.6279333406008476]
3D Time-of-light Magnetic Resonance Angiography (3D ToF-MRA) を用いたディープラーニングによる自動動脈ラベル作成フレームワークを提案する。
我々のフレームワークは、自動脳血管ラベリングのためのスケーラブルで正確で不確実なソリューションを提供し、下流血行動態解析をサポートし、臨床統合を容易にする。
論文 参考訳（メタデータ） (2025-09-22T12:57:21Z) - FoundDiff: Foundational Diffusion Model for Generalizable Low-Dose CT Denoising [55.04342933312839]
本稿では,CT(低線量CT)デノナイズのための基礎拡散モデルFoundDiffを提案する。
FoundDiffは、(i)線量解剖学的知覚と(ii)適応的認知という2段階の戦略を採用している。
まず, 線量および解剖学的知覚を実現するために, 線量および解剖学的対応型コントラスト言語画像事前訓練モデル(DA-CLIP)を開発した。
第2に,適応的および一般化可能な復調を行うために,線量および解剖学的拡散モデル(DA-Diff)を設計する。
論文 参考訳（メタデータ） (2025-08-24T11:03:56Z) - Evaluation of 3D Counterfactual Brain MRI Generation [30.32365445563276]
我々は6つの生成モデルを因果グラフに基づく解剖誘導フレームワークを組み込むことにより、3次元の対物的アプローチに変換する。
以上の結果より, 解剖学的条件付けが目的の解剖学的領域の調整に有効であることが示唆された。
論文 参考訳（メタデータ） (2025-08-04T20:20:59Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z)
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。