論文の概要: ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction
- arxiv url: http://arxiv.org/abs/2607.27537v1
- Date: Thu, 30 Jul 2026 00:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.350264
- Title: ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction
- Title（参考訳）: ProgFormer: 縦方向脳MRI予測のための階層型Voxel Diffusion Transformer
- Abstract要約: 縦方向の変化は、しばしば微妙で、特定の解剖学的領域に限られる。
ほとんどの被験者固有の脳構造は、時間とともに安定している。
ProgFormerは、縦型脳MRI予測のための階層型ボクセル空間拡散変換器である。
- 参考スコア（独自算出の注目度）: 81.07048249760953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting future structural MRI of a brain is challenging because longitudinal changes are often subtle and confined to specific anatomical regions, while most subject-specific brain structure remains stable over time. An effective model should therefore preserve global brain structural consistency while remaining sensitive to fine-grained disease progression. Existing latent-space-based methods improve computational efficiency, but suffer from information loss during their compression-reconstruction procedure. In contrast, direct voxel-space methods avoid latent reconstruction but commonly use a unified prediction pathway to model brain structure and progression-related changes. Subtle local changes may therefore be overshadowed by the dominant stable brain structure. To address these challenges, we propose ProgFormer, a hierarchical voxel-space Diffusion Transformer for longitudinal brain MRI prediction. ProgFormer uses a coarse pathway to perform the primary volumetric prediction from 3D patch tokens. This pathway models overall brain structure and longitudinal context. The fine pathway then uses the coarse representations as spatio-temporal grounding for voxel-level refinement within individual patches. The two pathways jointly estimate a velocity field directly in voxel space through conditional flow matching, enabling end-to-end prediction without a separately learned image autoencoder. The predicted future scan is then generated from Gaussian noise by integrating the estimated velocity field over a sequence of Euler steps. Extensive experimental results on three widely used benchmarks, ADNI, AIBL, and OASIS, under both pairwise and trajectory settings demonstrate favourable performance compared against several state-of-the-art methods.
- Abstract（参考訳）: 脳の将来の構造MRIの予測は、時間的変化がしばしば微妙で特定の解剖学的領域に限られているのに対して、ほとんどの被験者固有の脳構造は時間とともに安定しているため、難しい。
したがって、有効なモデルでは、細粒度疾患の進行に敏感でありながら、大域的な脳構造的整合性を維持する必要がある。
既存の潜在空間に基づく手法は計算効率を向上するが、圧縮・再構成の過程で情報損失に悩まされる。
対照的に、直接ボクセル空間法は遅延再構成を避けるが、一般的には脳の構造と進行に関連する変化をモデル化するための統一的な予測経路を使用する。
従属的な局所的な変化は、支配的な安定した脳構造によって隠蔽される可能性がある。
これらの課題に対処するために、縦型脳MRI予測のための階層型ボクセル空間拡散変換器ProgFormerを提案する。
ProgFormerは粗い経路を使用して、3Dパッチトークンから一次ボリューム予測を行う。
この経路は、全体の脳構造と経時的文脈をモデル化する。
微細な経路は、粗い表現を個々のパッチ内でのボクセルレベルの洗練のための時空間的接地として用いる。
2つの経路は条件付きフローマッチングによりボクセル空間内の速度場を直接推定し、別々に学習された画像オートエンコーダを使わずにエンドツーエンドの予測を可能にする。
予測された将来のスキャンは、ユーラーステップの列上で推定速度場を統合することでガウスノイズから生成される。
ADNI(英語版)、AIBL(英語版)、OASIS(英語版)の3つの広く使われているベンチマークにおいて、ペアとトラジェクトリ設定の両方で大規模な実験結果が、いくつかの最先端手法と比較して好ましい性能を示した。
関連論文リスト
- AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。
本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。
AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
論文 参考訳（メタデータ） (2026-08-24T09:16:42Z) - 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) - Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。
3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
論文 参考訳（メタデータ） (2026-05-27T12:33:46Z) - TimeLesSeg: Unified Contrast-Agnostic Cross-Sectional and Longitudinal MS Lesion Segmentation via a Stochastic Generative Model [0.338424069286569]
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。
論文 参考訳（メタデータ） (2026-05-08T16:19:34Z) - 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) - 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) - 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) - Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。
MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
論文 参考訳（メタデータ） (2025-10-25T15:40:07Z) - Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文 参考訳（メタデータ） (2025-09-03T08:51:38Z) - Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。
前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。
これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
論文 参考訳（メタデータ） (2025-06-13T04:14:38Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z)
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。