論文の概要: Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder
- arxiv url: http://arxiv.org/abs/2603.01552v1
- Date: Mon, 02 Mar 2026 07:26:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.737359
- Title: Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder
- Title（参考訳）: Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-aligned Conditional Diffusion Auto-Encoder
- Authors: Ayantika Das, Keerthi Ram, Mohanasankar Sivaprakasam,
- Abstract要約: 生成AIフレームワークに基づく縦型人間の脳画像のモデリングと予測は、神経変性の進行を追跡する効率的なメカニズムを提供する。
近年の拡散モデルが, 疾患進行画像の生成に有効な代替手段として出現している。
本稿では,異なるモーダル間のアライメントを明示的に強制する疾患進行モデリングのための拡散オートエンコーダに基づくフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.061416549958077
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI framework-based modeling and prediction of longitudinal human brain images offer an efficient mechanism to track neurodegenerative progression, essential for the assessment of diseases like Alzheimer's. Among the existing generative approaches, recent diffusion-based models have emerged as an effective alternative to generate disease progression images. Incorporating multi-modal and non-imaging attributes as conditional information into diffusion frameworks has been shown to improve controllability during such generations. However, existing methods do not explicitly ensure that information from non-imaging conditioning modalities is meaningfully aligned with image features to introduce desirable changes in the generated images, such as modulation of progression-specific regions. Further, more precise control over the generation process can be achieved by introducing progression-relevant structure into the internal representations of the model, lacking in the existing approaches. To address these limitations, we propose a diffusion autoencoder-based framework for disease progression modeling that explicitly enforces alignment between different modalities. The alignment is enforced by introducing an explicit objective function that enables the model to focus on the regions exhibiting progression-related changes. Further, we devise a mechanism to better structure the latent representational space of the diffusion auto-encoding framework. Specifically, we assign separate latent subspaces for integrating progression-related conditions and retaining subject-specific identity information, allowing better-controlled image generation. These results demonstrate that enforcing alignment and better structuring of the latent representational space of diffusion auto-encoding framework leads to more anatomically precise modeling of Alzheimer's disease progression.
- Abstract（参考訳）: 生成AIフレームワークをベースとした縦型ヒト脳画像のモデリングと予測は、アルツハイマー病などの疾患の評価に不可欠な、神経変性の進行を追跡する効率的なメカニズムを提供する。
既存のジェネレーティブアプローチの中で、近年の拡散モデルが、疾患進行画像の生成に有効な代替手段として現れている。
拡散フレームワークに条件情報としてマルチモーダル属性と非イメージ属性を組み込むことにより、このような世代における制御性を向上させることが示されている。
しかし、既存の手法では、非画像条件変調から得られる情報が画像特徴と有意に一致していることを明確に保証せず、進行特定領域の変調など、生成された画像に望ましい変化をもたらす。
さらに、既存のアプローチに欠けるモデルの内部表現に進行関連構造を導入することにより、生成プロセスをより正確に制御することができる。
これらの制約に対処するため,病状進行モデリングのための拡散オートエンコーダに基づくフレームワークを提案する。
このアライメントは、モデルが進行に関連する変化を示す領域に集中できる明示的な客観的関数を導入することで実施される。
さらに,拡散自動符号化フレームワークの潜在表現空間をよりよく構成する機構を考案する。
具体的には、進行関連条件の統合と被写体固有のアイデンティティ情報の保持のために、個別の潜伏部分空間を割り当て、より制御された画像生成を可能にする。
これらの結果は、拡散自己コードフレームワークの遅延表現空間のアライメントと構造の改善が、アルツハイマー病の進行をより解剖学的に正確にモデル化することにつながることを示している。
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) - AD-DAE: Unsupervised Modeling of Longitudinal Alzheimer's Disease Progression with Diffusion Auto-Encoder [3.3023777069561127]
本稿では,ベースライン画像から追従画像を生成するための条件付き拡散自動エンコーダフレームワークを提案する。
我々は,アルツハイマー病データセットにおける画像品質指標,容積進行分析,下流分類を通じて,世代を検証した。
論文 参考訳（メタデータ） (2025-11-08T08:56:58Z) - Structure-Aware Temporal Modeling for Chronic Disease Progression Prediction [8.037298084079504]
本研究は、症状進化の複雑さと時間依存性モデリングの不十分さの課題に対処する。
構造的知覚と時間的モデリングを統合した統合予測フレームワークを提案する。
その結果,提案手法はAUC,RMSE,IPW-F1の既存の手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-08-20T04:55:24Z) - NEUBORN: The Neurodevelopmental Evolution framework Using BiOmechanical RemodelliNg [1.62955730276521]
本稿では, バイオメカニカル制約, 縦方向, 微分像の登録から, 個々の成長軌跡を学習するための新しい枠組みを提案する。
この方法により、ワープの生物学的妥当性が向上し、人口レベルの傾向をより良く追従する成長軌道が生成される。
この枠組みは、脳成熟の予測モデルと皮質発達の奇形を早期に同定する新たな可能性を開く。
論文 参考訳（メタデータ） (2025-08-13T12:36:23Z) - EndoGen: Conditional Autoregressive Endoscopic Video Generation [51.97720772069513]
本研究では,最初の条件付き内視鏡映像生成フレームワークであるEndoGenを提案する。
具体的には、時空間グリッドフレームパターンを調整した自己回帰モデルを構築する。
高品質で条件付き内視鏡コンテンツ作成におけるフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2025-07-23T10:32:20Z) - Causal Disentanglement for Robust Long-tail Medical Image Generation [80.15257897500578]
そこで本研究では,病的特徴と構造的特徴を独立に生成する新しい医用画像生成フレームワークを提案する。
本稿では,病理所見から導かれる拡散モデルを用いて病理像をモデル化し,種々の対物画像の生成を可能にする。
論文 参考訳（メタデータ） (2025-04-20T01:54:18Z) - DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation [17.396365010722423]
網膜血管形態は糖尿病、緑内障、高血圧などの疾患の診断に重要である。
従来のセグメンテーション手法は、トレーニングとテストのデータが同様の分布を共有していると仮定する。
本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。
論文 参考訳（メタデータ） (2025-01-07T01:47:57Z) - 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) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。
様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
論文 参考訳（メタデータ） (2023-08-28T08:47:06Z) - Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
本稿では,条件付き画像生成のための多目的フレームワークを提案する。
CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。
提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
論文 参考訳（メタデータ） (2022-07-21T22:19:17Z)
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。