論文の概要: Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model
- arxiv url: http://arxiv.org/abs/2604.22700v1
- Date: Fri, 24 Apr 2026 16:33:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.535026
- Title: Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model
- Title（参考訳）: 4次元縦波拡散モデルによる神経変性脳解剖のモデル化
- Authors: Nivetha Jayakumar, Swakshar Deb, Bahram Jafrasteh, Qingyu Zhao, Miaomiao Zhang,
- Abstract要約: ほとんどの縦方向のニューロイメージングデータセットは時間的にスパースで、被験者1人につき数回の追跡スキャンを行う。
本研究では, 時間とともに経時的解剖を効果的にモデル化し, 合成する新しい4D(3DxT)拡散型生成フレームワークを提案する。
本手法は、解剖学的に正確で、時間的整合性があり、臨床的に意味のある脳の軌跡を生成する際に、最先端のベースラインよりも優れている。
- 参考スコア（独自算出の注目度）: 4.65021411381981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding and predicting the progression of neurodegenerative diseases remains a major challenge in medical AI, with significant implications for early diagnosis, disease monitoring, and treatment planning. However, most available longitudinal neuroimaging datasets are temporally sparse with a few follow-up scans per subject. This scarcity of temporal data limits our ability to model and accurately capture the continuous anatomical changes related to disease progression in individual subjects. To address this problem, we propose a novel 4D (3DxT) diffusion-based generative framework that effectively models and synthesizes longitudinal brain anatomy over time, conditioned on available clinical variables such as health status, age, sex, and other relevant factors. Moreover, while most current approaches focus on manipulating image intensity or texture, our method explicitly learns the data distribution of topology-preserving spatiotemporal deformations to effectively capture the geometric changes of brain structures over time. This design enables the realistic generation of future anatomical states and the reconstruction of anatomically consistent disease trajectories, providing a more faithful representation of longitudinal brain changes. We validate our model through both synthetic sequence generation and downstream longitudinal disease classification, as well as brain segmentation. Experiments on two large-scale longitudinal neuroimage datasets demonstrate that our method outperforms state-of-the-art baselines in generating anatomically accurate, temporally consistent, and clinically meaningful brain trajectories. Our code is available on Github.
- Abstract（参考訳）: 神経変性疾患の進行を理解し予測することは、早期診断、疾患モニタリング、治療計画に重要な意味を持つ医療AIにおいて、依然として大きな課題である。
しかし、ほとんどの経時的神経画像データセットは、被験者1人あたり数回の追跡スキャンで時間的に疎結合である。
この時間的データの不足は、個々の被験者の疾患進行に関連する連続的な解剖学的変化をモデル化し、正確に捉える能力を制限する。
そこで本研究では, 経時的に経時的脳解剖を効果的にモデル化・合成し, 健康状態, 年齢, 性別, その他の関連因子を考慮に入れた新しい4D(3DxT)拡散型生成フレームワークを提案する。
さらに,近年では画像強度やテクスチャの操作に焦点が当てられているが,この手法ではトポロジ保存時空間変形のデータ分布を明示的に学習し,時間とともに脳構造の幾何学的変化を効果的に捉えている。
この設計は、将来の解剖状態の現実的な生成と、解剖学的に一貫した疾患軌跡の再構築を可能にし、より忠実な経時的脳変化の表現を提供する。
我々は,脳のセグメンテーションだけでなく,合成シーケンス生成と下流縦断病の分類によるモデルの有効性を検証した。
2つの大規模な縦型神経画像データセットの実験により、我々の手法は解剖学的に正確で、時間的整合性があり、臨床的に意味のある脳の軌跡を生成する上で、最先端のベースラインよりも優れていることが示された。
私たちのコードはGithubで入手可能です。
関連論文リスト
- Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。
これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。
連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
論文 参考訳（メタデータ） (2025-11-06T20:16:33Z) - Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - 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) - A Stage-Aware Mixture of Experts Framework for Neurodegenerative Disease Progression Modelling [6.577465893404979]
神経変性疾患の長期進行はグラフ拡散過程として一般的に概念化されている。
そこで本研究では,異なるコントリビューション機構が病期においてどのように支配されているかを明確にモデル化する,新たな段階認識型混合エキスパートフレームワークを提案する。
IGND-MoEモデルは、これらの成分を時間的状態にわたって動的に統合し、ステージ特異的な病理機構が進行にどのように寄与するかを理解するための原則化された方法を提供する。
論文 参考訳（メタデータ） (2025-08-09T16:09:00Z) - 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) - 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) - Inpainting Pathology in Lumbar Spine MRI with Latent Diffusion [4.410798232767917]
病理組織学的特徴をMRIで健全な解剖学的特徴に塗布する効率的な方法を提案する。
腰椎椎間板ヘルニアと中心管狭窄に対し,T2 MRIにて椎間板ヘルニアを挿入する能力について検討した。
論文 参考訳（メタデータ） (2024-06-04T16:47:47Z) - 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) - Learning Spatio-Temporal Model of Disease Progression with NeuralODEs
from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。
ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。
アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文 参考訳（メタデータ） (2022-11-08T13:28:26Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。