論文の概要: Physics-Grounded Disentangled Flow Modeling for Brain Disease Progression Trajectory

• arxiv url: http://arxiv.org/abs/2606.28630v1
• Date: Fri, 26 Jun 2026 22:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.62603
• Title: Physics-Grounded Disentangled Flow Modeling for Brain Disease Progression Trajectory
• Title（参考訳）: 脳疾患進行軌跡に対する物理場遠絡流モデリング
• Abstract要約: PDFは、縦断的脳疾患予測のための物理接地型遠方流マッチングフレームワークである。 本研究は, 病変成長の経時的モデリングを, 形態学的進化と強度進化の2つのプロセスに明確に分解する。 多様な脳疾患にまたがる3つの公開縦断データセットの実験は、最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 8.695330306289884
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Forecasting longitudinal brain lesion evolution is critical for disease monitoring and treatment planning. Existing approaches typically learn a direct mapping from a baseline image to a future observation, without explicitly modeling the physical mechanisms underlying the lesion progression. Such an entangled modeling of structural deformation and image intensity variation limits physical plausibility, model generalization, and interpretability. To address this, we propose PDF, a Physics-grounded Disentangled Flow matching framework for longitudinal brain disease forecasting. We explicitly decompose the longitudinal modeling of lesion growth into two processes, each learned by a dedicated flow matching network: morphology evolution, which captures lesion growth and structural deformation; and intensity evolution, which models signal changes driven by variations in lesion concentration. To enforce physics-grounded constraints, we introduce a PDE-regularized loss based on lesion growth dynamics, that enforces a diffusion-reaction-advection formulation for morphological evolution. Experiments on three public longitudinal datasets spanning diverse brain diseases demonstrate state-of-the-art performance, validating the effectiveness of the disentangled modeling framework and physics-grounded learning design. Code is publicly available at https://github.com/jhuldr/PDF.
• Abstract（参考訳）: 経時的脳病変の進展を予測することは、疾患のモニタリングと治療計画に重要である。 既存のアプローチは通常、病変の進行の基盤となる物理的なメカニズムを明示的にモデル化することなく、ベースラインイメージから将来の観察への直接的なマッピングを学ぶ。 このような構造変形と画像強度の変化の絡み合ったモデリングは、物理的可視性、モデルの一般化、解釈可能性を制限する。 そこで本研究では,縦断的脳疾患予測のための物理接地型遠方流マッチングフレームワークであるPDFを提案する。 我々は, 病変成長の経時的モデリングを, それぞれ専用の流れマッチングネットワークによって学習された2つのプロセスに明確に分解する: 病変成長と構造的変形を捉える形態的進化, および, 病変濃度の変動によって引き起こされる信号変化をモデル化する強度的進化である。 そこで我々は,PDE-regularized loss on lesion growth dynamics, which enforces a diffusion-reaction-advection formulation for morphological evolution(PDE-regularized loss)を提案する。 多様な脳疾患にまたがる3つの公開縦断データセットの実験は、最先端のパフォーマンスを示し、非絡み合いモデリングフレームワークと物理基底学習設計の有効性を検証した。 コードはhttps://github.com/jhuldr/PDFで公開されている。

関連論文リスト

• Progression as Latent Drift: Generative Forecasting of Slow-Evolving Pathologies [25.820056271749788]
  ゆっくり進化する神経変性疾患の将来の解剖を予測すれば、より早期、より標的となる介入を可能にし、臨床試験設計を改善することができる。 Latent Driftは、完全な解像度の解剖学ではなく、圧縮された意味表現の変化を学ぶ進歩的な生成フレームワークである。 縦3次元脳MRI実験では、潜伏ドリフトは拡散と自己回帰トランスフォーマーベースラインよりも患者固有の神経予測を改善することが示された。
  論文  参考訳（メタデータ） (2026-07-09T09:13:03Z)
• From Trajectories to Phenotypes: Disease Progression as Structural Priors for Multi-organ Imaging Representation Learning [22.146397986514604]
  本稿では, 臓器関連IDPエンコーダに構造知識を変換するトラジェクティブ・アウェア・フレームワークを提案する。 英国バイオバンクのコホートでは159の疾患が発生し、トラジェクトリ・アウェア・プレトレーニングにより、識別と発症予測の両方が一貫して改善される。 以上の結果から, 人口規模で生成する疾患モデルが, データ制限画像モダリティの構造的先行要因となる可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-12T11:10:26Z)
• 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)
• PhyCustom: Towards Realistic Physical Customization in Text-to-Image Generation [58.02373668073258]
  本稿では,2つの新たな正規化損失を含む微調整フレームワークを提案する。 具体的には、等尺的損失は、物理的概念を学習するために拡散モデルを活性化することを目的としており、一方、分離的損失は独立した概念の混合学習を排除するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-01T16:57:02Z)
• 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)
• 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)
• 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)
• 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)
• Distinguishing Healthy Ageing from Dementia: a Biomechanical Simulation of Brain Atrophy using Deep Networks [5.411313268782566]
  健常成人およびアルツハイマー病における脳萎縮の超弾性ひずみモデリングのためのディープラーニングフレームワークについて述べる。 このフレームワークは、年齢、疾患状態、スキャン間隔の影響を直接モデル化し、ストレインベースモデルが変形を推定する萎縮の局所パターンを回帰する。 その結果、このフレームワークはアルツハイマー病の既知の経過に従って現実的な変形を推定でき、老化の健康パターンと老化パターンを明確に区別できることがわかった。
  論文  参考訳（メタデータ） (2021-08-18T15:58:53Z)
• 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。