論文の概要: Structural Complexity of Brain MRI reveals age-associated patterns

• arxiv url: http://arxiv.org/abs/2601.17211v1
• Date: Fri, 23 Jan 2026 22:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.419839
• Title: Structural Complexity of Brain MRI reveals age-associated patterns
• Title（参考訳）: 脳MRIにおける加齢関連パターンの解明
• Authors: Anzhe Cheng, Italo Ivo Lima Dias Pinto, Paul Bogdan,
• Abstract要約: 脳磁気共鳴画像(MRI)を中心に3次元信号に構造的複雑性解析を適用した。 このフレームワークは、信号が徐々に大きな空間スケールで粗粒化され、連続した解像度間で失われる情報を定量化することによって、データのマルチスケールな構成を捉える。 この改良手法を用いて、成人中期から後期にかけての大規模な構造的MRIデータセットを分析し、構造的複雑さは年齢とともに体系的に減少し、粗いスケールで最も強い効果が現れることを発見した。
• 参考スコア（独自算出の注目度）: 7.750347339075515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We adapt structural complexity analysis to three-dimensional signals, with an emphasis on brain magnetic resonance imaging (MRI). This framework captures the multiscale organization of volumetric data by coarse-graining the signal at progressively larger spatial scales and quantifying the information lost between successive resolutions. While the traditional block-based approach can become unstable at coarse resolutions due to limited sampling, we introduce a sliding-window coarse-graining scheme that provides smoother estimates and improved robustness at large scales. Using this refined method, we analyze large structural MRI datasets spanning mid- to late adulthood and find that structural complexity decreases systematically with age, with the strongest effects emerging at coarser scales. These findings highlight structural complexity as a reliable signal processing tool for multiscale analysis of 3D imaging data, while also demonstrating its utility in predicting biological age from brain MRI.
• Abstract（参考訳）: 脳磁気共鳴画像(MRI)を中心に,構造的複雑性解析を三次元信号に適用した。 このフレームワークは、信号が徐々に大きな空間スケールで粗粒化され、連続した解像度間で失われる情報を定量化することにより、ボリュームデータのマルチスケールな構成を捉える。 従来のブロックベースアプローチは,サンプリングの制限により粗い解像度で不安定になる可能性があるが,よりスムーズな推定と大規模でのロバスト性向上を実現するスライディングウインドウ粗粒化方式を導入する。 この改良手法を用いて、成人中期から後期にかけての大規模な構造的MRIデータセットを分析し、構造的複雑さは年齢とともに体系的に減少し、粗いスケールで最も強い効果が現れることを発見した。 これらの知見は、3D画像データのマルチスケール解析のための信頼性の高い信号処理ツールとして構造的複雑さを強調し、また、脳MRIによる生物学的年齢の予測にも有用であることを示した。

関連論文リスト

• 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)
• Deeply Supervised Multi-Task Autoencoder for Biological Brain Age estimation using three dimensional T$_1$-weighted magnetic resonance imaging [0.0]
  脳年齢推定のためのDeply Supervised Multitask Autoencoder (DSMT-AE) フレームワークを提案する。 DSMT-AEは、訓練中に中間層に監視信号を適用するディープ・インスペクションを採用している。 我々は、Open Brain Health Benchmarkデータセット上でDSMT-AEを広範囲に評価した。
  論文  参考訳（メタデータ） (2025-08-03T03:24:02Z)
• ConnectomeDiffuser: Generative AI Enables Brain Network Construction from Diffusion Tensor Imaging [36.89452147894995]
  脳ネットワーク解析はアルツハイマー病(AD)などの神経変性疾患の診断とモニタリングに重要な役割を果たしている 拡散テンソルイメージング(DTI)から構造脳ネットワークを構築するための既存のアプローチは、しばしば固有の制限に悩まされる特別なツールキットに依存している。 本研究は,DTIによるエンド・ツー・エンド脳ネットワーク構築のための新しい拡散型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:03:58Z)
• Unsupervised Adaptive Implicit Neural Representation Learning for Scan-Specific MRI Reconstruction [8.721677700107639]
  アンダーサンプリングにおけるスパーシリティレベルやパターンに制約されることなく、再構成品質を向上させる、教師なし適応型粗大化フレームワークを提案する。 我々は,獲得したk空間信号の自己超越的利用を段階的に洗練する,新しい学習戦略を統合する。 提案手法は,8倍のアンダーサンプリングを行うため,現在最先端のスキャン特異的MRI再構成技術より優れている。
  論文  参考訳（メタデータ） (2023-12-01T16:00:16Z)
• BrainVoxGen: Deep learning framework for synthesis of Ultrasound to MRI [2.982610402087728]
  本研究は,脳の3次元超音波画像から3次元MRIボリュームを合成するための新しいディープラーニングフレームワークを提案する。 本研究は、神経画像領域における医療診断と治療計画における変革的応用を約束する。
  論文  参考訳（メタデータ） (2023-10-11T20:37:59Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
  脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。 次に,大規模構造スキャンから空間整合機能画像を合成する。 時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
  論文  参考訳（メタデータ） (2021-04-10T03:16:33Z)
• 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)
• 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。