論文の概要: CLIMB: Controllable Longitudinal Brain Image Generation using Mamba-based Latent Diffusion Model and Gaussian-aligned Autoencoder

• arxiv url: http://arxiv.org/abs/2604.15611v1
• Date: Fri, 17 Apr 2026 01:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.695026
• Title: CLIMB: Controllable Longitudinal Brain Image Generation using Mamba-based Latent Diffusion Model and Gaussian-aligned Autoencoder
• Title（参考訳）: CLIMB: Mamba-based Latent Diffusion Model と Gaussian-aligned Autoencoder を用いた制御可能な経時脳画像生成
• Authors: Duy-Phuong Dao, Muhammad Taqiyuddin, Jahae Kim, Sang-Heon Lee, Hye-Won Jung, Jaehoo Choi, Hyung-Jeong Yang,
• Abstract要約: 状態空間に基づく潜時拡散モデルを用いたCLIMB, 制御可能な経時的脳画像生成を提案する。 我々は,1,390名の参加者から6,306名のMRIスキャンによるアルツハイマー病神経画像イニシアチブデータセットを用いて,提案したモデルを訓練し,評価した。 生成された画像と実際のMRIスキャンを比較することで、CLIMBは0.9433の構造的類似度指数を達成し、既存の手法よりも顕著に改善されている。
• 参考スコア（独自算出の注目度）: 4.922570253744897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Latent diffusion models have emerged as powerful generative models in medical imaging, enabling the synthesis of high quality brain magnetic resonance imaging scans. In particular, predicting the evolution of a patients brain can aid in early intervention, prognosis, and treatment planning. In this study, we introduce CLIMB, Controllable Longitudinal brain Image generation via state space based latent diffusion model, an advanced framework for modeling temporal changes in brain structure. CLIMB is designed to model the structural evolution of the brain structure over time, utilizing a baseline MRI scan and its acquisition age as foundational inputs. Additionally, multiple conditional variables, including projected age, gender, disease status, genetic information, and brain structure volumes, are incorporated to enhance the temporal modeling of anatomical changes. Unlike existing LDM methods that rely on self attention modules, which effectively capture contextual information from input images but are computationally expensive, our approach leverages state space, a state space model architecture that substantially reduces computational overhead while preserving high-quality image synthesis. Furthermore, we introduce a Gaussian-aligned autoencoder that extracts latent representations conforming to prior distributions without the sampling noise inherent in conventional variational autoencoders. We train and evaluate our proposed model on the Alzheimers Disease Neuroimaging Initiative dataset, consisting of 6,306 MRI scans from 1,390 participants. By comparing generated images with real MRI scans, CLIMB achieves a structural similarity index of 0.9433, demonstrating notable improvements over existing methods.
• Abstract（参考訳）: 潜伏拡散モデルが医療画像の強力な生成モデルとして登場し、高品質の脳磁気共鳴イメージングスキャンの合成を可能にした。 特に、患者の脳の進化を予測することは、早期の介入、予後、治療計画に役立つ。 本研究では,脳構造における時間変化をモデル化するための高度なフレームワークである,状態空間に基づく潜時拡散モデルによるCLIMB,制御可能な経時的脳画像生成について紹介する。 CLIMBは、ベースラインMRIスキャンとその取得年齢を基礎入力として、時間とともに脳構造の構造的進化をモデル化するように設計されている。 さらに、解剖学的変化の時間的モデリングを強化するために、投射年齢、性別、疾患状態、遺伝情報、脳構造ボリュームを含む複数の条件変数が組み込まれている。 入力画像からコンテキスト情報を効果的にキャプチャする自己注意モジュールを頼りにしている既存のLCM手法とは異なり、我々は高品質な画像合成を保ちながら計算オーバーヘッドを大幅に低減する状態空間モデルアーキテクチャである状態空間を利用する。 さらに,従来の変分オートエンコーダに固有のサンプリングノイズを伴わずに,先行分布に対応する潜在表現を抽出するガウス整列オートエンコーダを提案する。 我々は,1,390名の参加者から6,306名のMRIスキャンによるアルツハイマー病神経画像イニシアチブデータセットを用いて,提案したモデルをトレーニングし,評価した。 生成された画像と実際のMRIスキャンを比較することで、CLIMBは0.9433の構造的類似度指数を達成し、既存の手法よりも顕著に改善されている。

関連論文リスト

• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Align-cDAE: Alzheimer's Disease Progression Modeling with Attention-Aligned Conditional Diffusion Auto-Encoder [3.061416549958077]
  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。
  論文  参考訳（メタデータ） (2026-03-02T07:26:44Z)
• Deep generative priors for 3D brain analysis [9.407614414126142]
  本稿では,医療画像逆問題に対する拡散モデルの最初の汎用的応用について述べる。 我々のアプローチは、様々な脳MRIデータに基づいて、より柔軟な前方モデルと組み合わせたスコアベースの拡散を利用して、一般的な画像処理タスクをキャプチャする。
  論文  参考訳（メタデータ） (2025-10-16T20:20:50Z)
• Estimating Brain Activity with High Spatial and Temporal Resolution using a Naturalistic MEG-fMRI Encoding Model [6.157087562708548]
  現在の非侵襲的ニューロイメージング技術は、空間分解能と時間分解能の間にトレードオフがある。 我々は,脳磁図(MEG)と機能的磁気共鳴画像(fMRI)を組み合わせたトランスフォーマーベース符号化モデルを開発した。 複数の被験者からのMEGとfMRIの予測と,再建した大脳皮質源の推定値を表す潜在層の推定を訓練した。
  論文  参考訳（メタデータ） (2025-10-10T14:18:10Z)
• Diffusion Models for conditional MRI generation [0.0]
  脳磁気共鳴画像(MRI)生成のための潜時拡散モデル(LDM)を提案する。 生成画像の品質を評価するために、Fr'echet Inception Distance(FID)とMulti-Scale Structure similarity Index(MS-SSIM)のメトリクスを使用した。
  論文  参考訳（メタデータ） (2025-02-25T20:08:29Z)
• 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)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• 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)

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。