論文の概要: TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model
- arxiv url: http://arxiv.org/abs/2605.07955v1
- Date: Fri, 08 May 2026 16:19:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.195644
- Title: TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model
- Title（参考訳）: TimeLesSeg: 確率的生成モデルによる一様コントラスト非依存的断面および縦方向MS病変分割
- Authors: Vicent Caselles-Ballester, Eloy Martínez-Heras, Giuseppe Pontillo, Zoe Mendelsohn, Elena M. Marrón, Juan Luis García Fernández, Laia Subirats, Jon Stutters, Jeremy Chataway, Frederik Barkhof, Sara Llufriu, Ferran Prados,
- Abstract要約: TimeLesSegは、その入力に時間次元の有無にかかわらずMS病変を分断するように設計されたコントラストに依存しない統合フレームワークである。
本手法は, 病変マスクと現在のスキャンを併用した病理組織学的先行をモデル化する。
クロスセクション処理は、事前情報が得られないトレーニングケースにモデルを公開することによって実現される。
- 参考スコア（独自算出の注目度）: 0.338424069286569
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Multiple sclerosis (MS) expresses substantial clinical and radiological heterogeneity, which poses significant challenges for automatic lesion segmentation. The current deep learning-based SOTA is highly susceptible to changes in both distribution, e.g., changes in scanner; as well as the structure of inputs, evident in the current divide between cross-sectional and longitudinal approaches. We introduce TimeLesSeg, a unified contrast-agnostic framework designed to segment MS lesions regardless of the presence of a temporal dimension in its inputs, with a single convolutional neural network. Our approach models pathological priors through lesion masks, which are processed together with the current scan. Cross-sectional processing is enabled by exposing the model to training cases where no prior information is available, which are modeled with an empty mask, allowing it to operate seamlessly in both scenarios. To overcome the scarcity and inconsistency of longitudinal datasets, we propose a novel generative pipeline in which patterns of lesion evolution are simulated by stochastically deforming each individual lesion with morphological operations, producing realistic prior timepoints. In parallel, we achieve contrast agnosticism through Gaussian mixture model-based domain randomization, enabling the network to experience a wide spectrum of intensity profiles. Results on three publicly available and two in-house datasets show that TimeLesSeg outperforms the contrast-agnostic state of the art on single-modality inputs across overlap- and distance-based metrics. In longitudinal processing, our method outperforms SAMSEG, and captures lesion load dynamics more accurately than both the former and LST-AI. All source code related to the development of TimeLesSeg is available at https://github.com/NeuroADaS-Lab/TimeLesSeg.
- Abstract（参考訳）: 多発性硬化症 (Multiple sclerosis, MS) は, 臨床的, 放射線学的に有意な不均一性を呈し, 自動的に病変を分節する上で重要な課題となる。
現在の深層学習に基づくSOTAは、例えばスキャナの変化などの分布の変化や、現在の断面積と縦方向のアプローチの分割で明らかな入力の構造に非常に影響を受けやすい。
コントラストに依存しない一貫したフレームワークであるTimeLesSegを導入する。
本手法は, 病変マスクと現在のスキャンを併用し, 病理組織学的先行をモデル化する。
クロスセクション処理は、空のマスクでモデル化された事前情報がないトレーニングケースにモデルを公開することにより、両方のシナリオでシームレスに動作する。
縦断的データセットの不足と不整合を克服するために,各病変を形態的操作で確率的に変形させ,現実的な事前時刻を生成することによって,病変の進行パターンをシミュレートする新しい生成パイプラインを提案する。
並行して、ガウス混合モデルに基づくドメインランダム化によりコントラスト非依存性を実現し、ネットワークは幅広い強度プロファイルを経験できる。
3つのパブリックデータセットと2つの社内データセットの結果から、TimeLesSegはオーバーラップと距離ベースのメトリクスをまたいだシングルモダリティ入力において、コントラスト非依存の状態よりも優れています。
縦方向処理では,SAMSEGより優れ,前者とLST-AIのどちらよりも高精度に病変負荷を捕捉する。
TimeLesSegの開発に関連するすべてのソースコードはhttps://github.com/NeuroADaS-Lab/TimeLesSegで入手できる。
関連論文リスト
- Digital FAST: An AI-Driven Multimodal Framework for Rapid and Early Stroke Screening [0.7136933021609076]
本研究では,F.A.S.T.アセスメントで収集したデータをもとに,高速かつ非侵襲的な2次脳卒中自動スクリーニングのための多モード深層学習フレームワークを提案する。
提案手法は, 表情, 音声信号, 上体動作からの相補的な情報を統合し, 診断の堅牢性を高める。
論文 参考訳（メタデータ） (2026-01-17T03:35:39Z) - NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis [4.753690672619091]
本稿では,fMRI時系列における生BOLD信号のエンドツーエンド解析のための選択的状態空間アーキテクチャであるNeuroSSMを提案する。
NeuroSSMは2つの相補的な設計コンポーネントを通じて上記の制限に対処する。
臨床および非臨床データセットの実験は、NeuroSSMが最先端のfMRI分析法と競合する性能と効率を達成することを示した。
論文 参考訳（メタデータ） (2026-01-03T16:35:45Z) - TARDis: Time Attenuated Representation Disentanglement for Incomplete Multi-Modal Tumor Segmentation and Classification [10.329406702659123]
造影CT(Contrat-enhanced Computed Tomography)における腫瘍の分画と診断は,造影剤の生理的動態に大きく依存している。
既存のディープラーニングアプローチは、欠落した相を欠落した独立したチャネルとして扱い、血行動態の本質的な時間的連続性を無視している。
本稿では,連続時間短縮曲線の欠落点として欠落点を再定義する新しい物理認識フレームワークであるTime Attenuated Representation Disentanglement (TARDis)を提案する。
論文 参考訳（メタデータ） (2025-12-04T08:44:50Z) - Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。
アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。
これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
論文 参考訳（メタデータ） (2025-11-23T19:38:03Z) - FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。
病的シグネチャの最初の系統的周波数領域解析を行う。
周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
論文 参考訳（メタデータ） (2025-11-17T02:40:14Z) - 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) - UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。
UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。
総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2025-07-24T12:33:10Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Multi-modal Gaussian Process Variational Autoencoders for Neural and
Behavioral Data [0.9622208190558754]
そこで本研究では,時間的に進化する共振子と独立潜光子を個別に同時記録した実験モードのために抽出する非教師付き潜光子変数モデルを提案する。
我々は,ポアソンスパイク数と時間とともにスムーズかつスムーズに回転するMNIST画像からなるシミュレーションマルチモーダルデータに対して,本モデルの有効性を検証した。
マルチモーダルGP-VAEは、モダリティ間の共有および独立の潜伏構造を正確に識別できるだけでなく、保留試験において画像とニューラルレートの両方を適切に再構成できることを示す。
論文 参考訳（メタデータ） (2023-10-04T19:04:55Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Efficient Learning and Decoding of the Continuous-Time Hidden Markov
Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。
EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。
緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文 参考訳（メタデータ） (2021-10-26T20:06:05Z)
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。