論文の概要: Implicit Neural Representations for Multimodal Longitudinal Image Imputation and Interpolation
- arxiv url: http://arxiv.org/abs/2608.02324v1
- Date: Mon, 03 Aug 2026 14:47:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.606967
- Title: Implicit Neural Representations for Multimodal Longitudinal Image Imputation and Interpolation
- Title（参考訳）: 多モード縦画像インプットと補間のためのインプシットニューラル表現法
- Abstract要約: 腫瘍における経時的マルチパラメトリックMRIは経過観察の中心である。
実世界の臨床データは、欠落したシーケンス、不均一な取得プロトコル、時間点の様々な解像度によって特徴づけられる。
患者固有の暗黙的ニューラル表現(INR)を世界座標,時間,モダリティ条件の連続関数として,縦型MRIをモデル化する。
- 参考スコア（独自算出の注目度）: 0.43554874937871363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal multiparametric MRI is central to follow-up imaging in oncology, yet real-world clinical data are characterised by missing sequences, heterogeneous acquisition protocols, and varying spatial resolutions across time points. We propose a patient-specific conditional implicit neural representation (INR) that models multimodal longitudinal MRI as a continuous function of world coordinates, time, and modality conditioning. The model is trained with stochastic modality dropout to handle incomplete data, and its continuous coordinate-space formulation enables both spatial and temporal interpolation without resampling to a fixed voxel grid. A self-consistency-based confidence estimator is derived from cross-modal reconstruction performance at inference time. We evaluate the framework on longitudinal MRI from paediatric brain tumour patients, demonstrating statistically significant improvements over linear interpolation for T1CE and FLAIR (p < 0.05), with mean MS-SSIM of 0.95 $\pm$ 0.02 for T1CE. Predicted confidence correlates strongly with true reconstruction quality (Pearson r up to 0.996), suggesting reliable deployment potential in heterogeneous clinical settings.
- Abstract（参考訳）: 経時的マルチパラメトリックMRIは、腫瘍学におけるフォローアップイメージングの中心であるが、実際の臨床データは、欠落したシーケンス、不均一な取得プロトコル、時間点の様々な空間分解能によって特徴づけられる。
本稿では,多モード長手MRIを世界座標,時間,モード条件の連続関数としてモデル化した患者特異的暗黙的ニューラル表現(INR)を提案する。
このモデルは不完全データを扱うために確率的モダリティ・ドロップアウトで訓練され、その連続的な座標空間の定式化は、固定されたボクセルグリッドに再サンプリングすることなく、空間的および時間的補間を可能にする。
自己整合性に基づく信頼度推定器は、推定時のクロスモーダル再構成性能から導出される。
T1CE と FLAIR (p < 0.05) の線形補間よりも統計的に有意な改善が見られ, 平均 MS-SSIM は 0.95 $\pm$ 0.02 であった。
予測された信頼性は、真の再建品質(Pearson r up 0.996)と強く相関し、不均一な臨床環境での信頼性デプロイメントの可能性を示す。
関連論文リスト
- MultiSigBERT: Beyond Survival Analysis through Multimodal and Sequential Modeling in Oncology [1.4526244723917887]
オンコロジーにおける逐次生存モデリングのための統合フレームワークであるMultiSigBERTを提案する。
ここでは、文脈的単語の埋め込みを抽出し平均化することにより、物語医療報告を文幾何学的埋め込みに変換する。
これらの表現は、モダリティ固有のPCAと幾何学的埋め込みによって圧縮され、関節側方軌道を形成する。
計算されたシグナチャ特徴は、最終的に高次元の特徴としてLASSO正規化コックスモデルに組み込まれ、個別化リスクスコアを推定する。
論文 参考訳（メタデータ） (2026-08-17T12:44:38Z) - How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI [0.0]
画像誘導療法は解剖学的構造のリアルタイムターゲティングに依存している。
運動の存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じさせ、治療の精度を損なう。
本稿では,患者固有の時間的予測を連続的セグメンテーションに基づく解剖学的解釈と相乗するクローズドループ結合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-01T06:32:10Z) - Anatomical Token Uncertainty for Transformer-Guided Active MRI Acquisition [27.825869252861335]
MRIにおける完全なデータ取得は本質的に遅いため、臨床のスループットが制限され、患者の不快感が増す。
CSMRIは、アンダーサンプルのkspaceデータからイメージを再構成することで、取得を加速しようとしている。
論文 参考訳（メタデータ） (2026-03-23T10:49:23Z) - A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-13T18:54:20Z) - Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。
グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。
MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。
制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。
空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
論文 参考訳（メタデータ） (2026-03-02T04:57:52Z) - MRI Contrast Enhancement Kinetics World Model [8.691568608551444]
人間の体内におけるコントラスト強化運動学をシミュレートするために世界モデルを適用することは、連続したコントラストのないダイナミクスを可能にする。
MRI取得における低時間分解能は、世界モデルのトレーニングを制限する。
時空間一貫性学習(STCL)を用いたMRI CEKWorld(Contrast Enhancement Kinetics World Model)を提案する。
論文 参考訳（メタデータ） (2026-02-22T17:39:31Z) - A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。
最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。
本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
論文 参考訳（メタデータ） (2026-02-19T14:29:34Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。
我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。
軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
論文 参考訳（メタデータ） (2025-05-06T02:41:34Z) - Double Debiased Machine Learning for Mediation Analysis with Continuous Treatments [38.70412001488559]
本稿では,継続的な治療を支援するメディエーション分析のための機械学習アルゴリズムを提案する。
本研究では,現実の医療データとシミュレーションによるアプローチの数値評価を行い,グリセミックコントロールが認知機能に与える影響を解析する。
論文 参考訳（メタデータ） (2025-03-08T10:46:47Z) - Time-Varying Coronary Artery Deformation: A Dynamic Skinning Framework for Surgical Training [33.92599418560439]
本研究は, 骨格スキンウェイトを用いた冠状動脈の動的モデリングフレームワークを提案する。
外科シミュレーションのリアルタイム性能を維持しつつ, 血管の変形を正確に制御することを目的としている。
論文 参考訳（メタデータ） (2025-03-04T02:51:37Z)
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。