論文の概要: Predicting Brain Morphometry with MT-GNN: Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings
- arxiv url: http://arxiv.org/abs/2608.05132v1
- Date: Wed, 05 Aug 2026 17:53:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:44.070344
- Title: Predicting Brain Morphometry with MT-GNN: Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings
- Title（参考訳）: MT-GNNによる脳形態予測:グラフベースメトリテンソル埋め込みを用いた連続時間におけるメッシュ進化
- Authors: Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman,
- Abstract要約: 単一構造グラフネットワークは、任意の因果多重ビジット履歴に対して、頂点ごとの第一基本形式(メートル法テンソル)を予測する。
予測された計量は、微分可能なAs-Rigid-As-Possibleソルバによって曲面に復号される。
ADNIデータセットから得られた14の亜皮質構造に対して,提案したメッシュ進化モデル(MT-GNN)は,各地平線における評価手法の中で最良であることを予測した。
- 参考スコア（独自算出の注目度）: 3.0247813646031467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting how a subcortical structure's shape will evolve from a few prior scans could support prognosis and clinical-trial enrichment. Existing longitudinal mesh predictors either extrapolate shape trajectories via high-dimensional embeddings or regress vertex deformations directly. We instead predict the surface's intrinsic geometry in continuous time: a single per-structure graph network predicts the future per-vertex first fundamental form (metric tensor) for an arbitrary causal multiple-visit history and an arbitrary prediction horizon, conditioned on a Fourier encoding of the lead time. The predicted metric is decoded into a surface by a differentiable As-Rigid-As-Possible solver, and the model is trained end-to-end on the rigid-aligned vertex error. Training through the reconstruction keeps the decoded prediction a valid surface and consistently improves it. On 14 subcortical structures from the ADNI dataset, the proposed mesh evolution model (MT-GNN) predicts best among the evaluated methods at every horizon ($-2.29\%$ mean vertex error vs. the temporal mean, $p{=}6.1{\times}10^{-5}$, beating it on 14/14 structures), ahead of geodesic shape regression (DCM, $-0.19\%$) and a mesh transformer (TransforMesh, $-0.45\%$; $p{=}1.2{\times}10^{-4}$), with the lead widening as the horizon grows.
- Abstract（参考訳）: 皮質下構造の形状が、いくつかの以前のスキャンからどのように進化するかを予測することは、予後と臨床・臨床的エンリッチメントを裏付ける可能性がある。
既存の長手メッシュ予測器は、高次元埋め込みまたは回帰頂点変形を介して形状軌跡を外挿する。
単一の構造グラフネットワークは、任意の因果的多重ビジット履歴と任意の予測地平線に対して、そのリードタイムのフーリエ符号化に基づいて、頂点ごとの1次基本形(メートル法テンソル)を予測する。
予測された計量は、微分可能なAs-Rigid-As-Possibleソルバにより表面へデコードされ、そのモデルは剛性整列頂点誤差に基づいてエンドツーエンドに訓練される。
再構成によるトレーニングは、デコードされた予測を有効な表面として保持し、継続的に改善する。
ADNIデータセットから得られた14の亜皮質構造において、提案されたメッシュ進化モデル(MT-GNN)は、すべての水平線において評価された手法の中で最良である(2.29\%$平均頂点誤差、時間平均、$p{=}6.1{\times}10^{-5}$、14/14構造)、測地線形状の回帰(DCM, $-0.19\%$)、メッシュトランスフォーマー(TransforMesh, $-0.45\%$; $p{=}1.2{\times}10^{-4}$)を予測する。
関連論文リスト
- The Geometry of Memorization: Finite-Time Spectral Sensitivity as a Diagnostic for Flow Matching Models [0.0]
連続時間生成フレームワークは、時間依存速度場を最適化することにより、ベースドメインとターゲットドメインの間の確率パスを構築する。
本稿では、状態遷移行列のルート平均二乗特異値を追跡することにより、フロー幾何学を公開する勾配のないフォワードパス計量であるFinite-Time Spectral Sensitivity (FTSS) g(t)を提案する。
論文 参考訳（メタデータ） (2026-07-14T10:55:02Z) - Second-Order Path Kernel Interpolation Formulas in Machine Learning [8.154667543705687]
ペドロ・ドミンゴス(Pedro Domingos)は、勾配降下によって学習されたすべてのモデルに有効な積分公式を提案した。
本稿では,これらの公式の2次形式を開発する。
また、予測された2階表現の周囲の変動スケールを同定し、終端予測のための集中推定値を確立する。
論文 参考訳（メタデータ） (2026-06-05T17:49:19Z) - MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。
MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
論文 参考訳（メタデータ） (2026-06-03T10:15:43Z) - FlatVPR: Plug-and-play Geo-linear Residual Adapter for Geometric Rectification of Foundation Model Feature Manifolds [0.7734726150561086]
FlatVPR'は、視覚的位置認識における地図軽量性と位置決め精度のトレードオフを橋渡しする。
本手法は, 数学的に接地したプルバック平坦性損失を用いて, 多様体曲率を明示的に抑制する。
NCLTデータセットの実験では、アダプタの適用によってパフォーマンスが大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-06-01T05:56:59Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture [22.225213114532533]
簡単な$textitgeometric invariant (GIH)仮説について検討する。
ニューラルネットワークの入力空間曲率が$textitgeometric invariantのままであることがわかった。
論文 参考訳（メタデータ） (2024-10-15T19:46:09Z) - A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow
Fields on Irregular Geometries [62.28265459308354]
ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。
断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。
ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
論文 参考訳（メタデータ） (2020-10-15T12:15:02Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - Learning Nonparametric Human Mesh Reconstruction from a Single Image
without Ground Truth Meshes [56.27436157101251]
そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。
これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
論文 参考訳（メタデータ） (2020-02-28T20:30:07Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
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。