論文の概要: Cortex-Grounded Diffusion Models for Brain Image Generation

• arxiv url: http://arxiv.org/abs/2601.19498v1
• Date: Tue, 27 Jan 2026 11:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.300644
• Title: Cortex-Grounded Diffusion Models for Brain Image Generation
• Title（参考訳）: 脳画像生成のための皮質周囲拡散モデル
• Authors: Fabian Bongratz, Yitong Li, Sama Elbaroudy, Christian Wachinger,
• Abstract要約: Cor2Voxは脳磁気共鳴画像(MRI)合成のための大脳皮質基底生成フレームワークである。 高分解能な皮質表面を利用して、3次元形状から像へのブラウン橋の拡散過程を導く。 また,Cor2Voxは皮質の微細な形態をサブボクセルレベルで保存し,皮質形状や疾患の表現型の変化に顕著な堅牢性を示した。
• 参考スコア（独自算出の注目度）: 10.384765005941782
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Synthetic neuroimaging data can mitigate critical limitations of real-world datasets, including the scarcity of rare phenotypes, domain shifts across scanners, and insufficient longitudinal coverage. However, existing generative models largely rely on weak conditioning signals, such as labels or text, which lack anatomical grounding and often produce biologically implausible outputs. To this end, we introduce Cor2Vox, a cortex-grounded generative framework for brain magnetic resonance image (MRI) synthesis that ties image generation to continuous structural priors of the cerebral cortex. It leverages high-resolution cortical surfaces to guide a 3D shape-to-image Brownian bridge diffusion process, enabling topologically faithful synthesis and precise control over underlying anatomies. To support the generation of new, realistic brain shapes, we developed a large-scale statistical shape model of cortical morphology derived from over 33,000 UK Biobank scans. We validated the fidelity of Cor2Vox based on traditional image quality metrics, advanced cortical surface reconstruction, and whole-brain segmentation quality, outperforming many baseline methods. Across three applications, namely (i) anatomically consistent synthesis, (ii) simulation of progressive gray matter atrophy, and (iii) harmonization of in-house frontotemporal dementia scans with public datasets, Cor2Vox preserved fine-grained cortical morphology at the sub-voxel level, exhibiting remarkable robustness to variations in cortical geometry and disease phenotype without retraining.
• Abstract（参考訳）: 合成ニューロイメージングデータは、希少な表現型の不足、スキャナー間のドメインシフト、不十分な経時的カバレッジなど、現実世界のデータセットの重要な制限を軽減することができる。 しかし、既存の生成モデルは、主にラベルやテキストのような弱い条件付け信号に依存しており、解剖学的根拠がなく、しばしば生物学的に理解できない出力を生成する。 この目的のために,脳磁場共鳴画像(MRI)合成のための大脳皮質基底生成フレームワークであるCor2Voxを紹介した。 高分解能の皮質表面を利用して、3次元形状から像へのブラウン橋の拡散を誘導し、トポロジカルに忠実な合成と基礎となる解剖の精密な制御を可能にする。 33,000以上の英国バイオバンクスキャンから得られた皮質形態の大規模統計モデルを開発した。 従来の画像品質指標,高度な皮質表面再構成,全脳セグメンテーション品質に基づいてCor2Voxの忠実度を検証し,多くのベースライン法より優れていた。 3つの応用、すなわち (i)解剖学的に一貫した合成 (二)進行性灰白質萎縮のシミュレーション、及び 3) 自家製の前頭側頭型認知症スキャンと公的データセットとの調和により, Cor2Vox は皮質の微細な形態をサブボクセルレベルで保存し, 調整することなく, 皮質形状や疾患の表現型の変化に顕著な堅牢性を示した。

関連論文リスト

• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
  3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
  論文  参考訳（メタデータ） (2025-09-10T23:22:05Z)
• 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)
• 3D Shape-to-Image Brownian Bridge Diffusion for Brain MRI Synthesis from Cortical Surfaces [8.604681353022665]
  Cor2Voxは、連続した皮質形状を合成脳MRIに翻訳する最初の拡散モデルに基づく方法である。 本研究では, 従来のボクセル法と比較して, 復元された構造物の幾何的精度が大幅に向上したことを示す。 また, 亜ボクセルレベルの皮質萎縮をシミュレートするためのアプローチの有用性も強調した。
  論文  参考訳（メタデータ） (2025-02-18T10:59:04Z)
• BrainODE: Dynamic Brain Signal Analysis via Graph-Aided Neural Ordinary Differential Equations [67.79256149583108]
  本稿では,脳波を連続的にモデル化するBrainODEというモデルを提案する。 遅延初期値とニューラルODE関数を不規則な時系列から学習することにより、BrainODEは任意の時点の脳信号を効果的に再構築する。
  論文  参考訳（メタデータ） (2024-04-30T10:53:30Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• 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)
• Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
  脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である 本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。 我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
  論文  参考訳（メタデータ） (2022-09-19T11:45:39Z)
• 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。