論文の概要: SMART: A Flexible, Interpretable, and Scalable Spatio-temporal Brain Atlas from High-Resolution Imaging Data
- arxiv url: http://arxiv.org/abs/2606.18753v1
- Date: Wed, 17 Jun 2026 06:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.040055
- Title: SMART: A Flexible, Interpretable, and Scalable Spatio-temporal Brain Atlas from High-Resolution Imaging Data
- Title（参考訳）: SMART:高分解能イメージングデータによるフレキシブル、解釈可能、スケーラブルな時空間脳アトラス
- Authors: John Kalkhof, Boris Gutman, Emile d'Angremont, Daniel C. Alexander, Marco Lorenzi,
- Abstract要約: SMARTは,高次元医用画像から柔軟な,解釈可能な,スケーラブルな時間的脳アトラスを学習するためのフレームワークである。
アルツハイマー病における5つのMRIデータセットについて検討した。
- 参考スコア（独自算出の注目度）: 7.391758805848636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce SMART, a framework for learning a flexible, interpretable, and scalable spatio-temporal brain atlas from longitudinal high-resolution 3D medical images. Existing approaches to spatio-temporal atlas construction rely on black-box generative models that lack flexibility, limit interpretability, and struggle to scale to high-dimensional data. SMART addresses these challenges by learning a continuous disease-time atlas that decouples global group-wise disease dynamics from their patient-specific anatomical manifestation. Guided by anatomically inspired priors, SMART models interpretable global trajectories of regional progression along a shared disease timeline through region-specific differential equations. Global trajectories are further personalized to individual anatomies via dense diffeomorphic displacements parameterized by a flexible and scalable multi-scale Neural Cellular Automata. Evaluated on five longitudinal MRI datasets in Alzheimer's disease (ADNI-1/GO/2, OASIS-3, AIBL; > 1,300 subjects), SMART produces anatomically meaningful predictions of disease progression and achieves state-of-the-art forecasting accuracy and improved temporal consistency over adversarial and diffusion baselines. Our approach establishes a new paradigm for flexible, interpretable, and scalable modeling of spatio-temporal change in high-dimensional medical image time-series.
- Abstract（参考訳）: 長手高解像度3次元医用画像からフレキシブル、解釈可能、スケーラブルな時空間脳アトラスを学習するためのフレームワークSMARTを紹介する。
時空間アトラス構築への既存のアプローチは、柔軟性、解釈可能性の制限、高次元データへのスケールアップに苦労するブラックボックス生成モデルに依存している。
SMARTは、患者固有の解剖学的徴候からグローバルなグループワイド病のダイナミクスを分離する連続的な病時アトラスを学習することで、これらの課題に対処する。
SMARTは、解剖学的にインスピレーションを受けた先駆者によって導かれ、地域特異的微分方程式を通して、共有疾患タイムラインに沿って、地域進行のグローバルな軌跡を解釈する。
グローバルトラジェクトリは、柔軟でスケーラブルな多スケールニューラルセルオートマタによってパラメータ化される高密度な微分型変位によって、個々の解剖学にさらにパーソナライズされる。
SMARTはアルツハイマー病(ADNI-1/GO/2, OASIS-3, AIBL; > 1,300人)の5つの縦断的MRIデータセットから評価され、解剖学的に有意な疾患進行の予測を行い、最先端の予測精度を達成し、対向的および拡散的ベースラインの時間的一貫性を改善した。
本手法は,高次元医用画像時系列における時空間変化のフレキシブル,解釈可能,スケーラブルなモデリングのための新しいパラダイムを確立する。
関連論文リスト
- Generative Modeling of Neurodegenerative Brain Anatomy with 4D Longitudinal Diffusion Model [4.65021411381981]
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。
論文 参考訳（メタデータ） (2026-04-24T16:33:48Z) - SDE-Driven Spatio-Temporal Hypergraph Neural Networks for Irregular Longitudinal fMRI Connectome Modeling in Alzheimer's Disease [18.4869028609927]
本稿では不規則な長手fMRIコネクトームモデリングのためのグラフ匿名微分方程式(SDE)による時空間ニューラルネットワークを提案する。
このフレームワークは、まずSDEベースの再構成モジュールを使用して、不規則な観測から連続的な潜航軌道を復元する。
時間的進化をさらにモデル化するために、ハイパーグラフパラメータは、スキャン間隔で条件付けられたSDE制御されたニューロイメージングダイナミクスを介して進化する。
論文 参考訳（メタデータ） (2026-03-20T19:31:05Z) - Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。
近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。
物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文 参考訳（メタデータ） (2026-02-02T14:13:28Z) - Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。
軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
論文 参考訳（メタデータ） (2026-01-21T01:45:36Z) - CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。
時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
論文 参考訳（メタデータ） (2025-12-08T20:42:10Z) - 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) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳（メタデータ） (2025-06-11T23:51:01Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Temporally Adjustable Longitudinal Fluid-Attenuated Inversion Recovery
MRI Estimation / Synthesis for Multiple Sclerosis [0.0]
多発性硬化症(Multiple Sclerosis、MS)は、慢性進行性神経疾患である。
脳MRI(FLAIR brain magnetic resonance imaging)は、他のMRI法と比較して、MS病変のより優れた可視化と特徴を提供する。
MSの縦断脳FLAIR MRIは、経時的に患者を反復的に画像化することで、臨床医が疾患の進行をモニタリングするための有用な情報を提供する。
様々な時間ラグを伴う将来の脳MRI検査の予測は、健康な老化やアルツハイマー病の構造的変性など、限られた用途でのみ試みられている。
論文 参考訳（メタデータ） (2022-09-09T12:42:00Z) - 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。