論文の概要: $\texttt{DisMorph}$: learning to disentangle technical distortions from true biological change

• arxiv url: http://arxiv.org/abs/2608.08173v1
• Date: Sat, 08 Aug 2026 15:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.710697
• Title: $\texttt{DisMorph}$: learning to disentangle technical distortions from true biological change
• Title（参考訳）: $\texttt{DisMorph}$: 真の生物学的変化から技術的歪みを切り離す学習
• Abstract要約: 既存の登録方法は、生物学的勾配と技術的な効果を混在させる単一の分野を推定する。 我々は,縦方向の変形を技術的および解剖学的変換に明示的に分解する合成データに基づいて,完全に訓練された登録フレームワークである$textttDisMorph$を提案する。
• 参考スコア（独自算出の注目度）: 3.6345386132384996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Longitudinal MRI enables sensitive measurement of structural brain change for studying aging and neurodegenerative disease. Deformable image registration is a key tool for estimating such change by computing a dense deformation that captures geometric differences between longitudinal scans. However, MRI scanners introduce geometric distortions that vary across acquisition systems and protocols, such as gradient non-linearity (GNL) distortion. Existing registration methods estimate a single field that conflates biological and technical effects, potentially biasing downstream morphometric measurements if distortions remain (partially) uncorrected. We propose $\texttt{DisMorph}$, a registration framework trained entirely on synthetic data that explicitly decomposes longitudinal deformation into technical and anatomical transforms. It predicts two dense deformations, each encoding one effect. During training, a novel generative model synthesizes both effects separately to provide disentanglement supervision, while domain randomization promotes generalization across imaging protocols. We evaluate our method in three complementary settings. On simulated data with known ground truth, our method detects anatomical change more accurately and consistently than conventional registration. On real image pairs that differ only by GNL distortion, our method assigns most geometric change to the distortion field, demonstrating specificity in the absence of anatomical change. On longitudinal Alzheimer's disease (AD) pairs, our method detects anatomical change in AD-related brain structures while identifying residual distortion left after standard correction. By disentangling MRI-induced distortion from biological change in the longitudinal deformation, our method paves the way for more accurate longitudinal morphometry in clinical settings where maintaining acquisition consistency is challenging.
• Abstract（参考訳）: 経時的MRIは、加齢や神経変性疾患の研究のための構造的脳変化の感度測定を可能にする。 変形可能な画像登録は、縦スキャン間の幾何学的差異をキャプチャする濃密な変形を計算することで、そのような変化を推定するための鍵となるツールである。 しかし、MRIスキャナは、勾配非線形歪み(GNL)のような、取得システムやプロトコルによって異なる幾何学的歪みを導入している。 既存の登録法では、生物学的および技術的効果を混同する単一の分野を推定し、歪みが(部分的には)補正されていない場合、下流の形態計測値に偏りが生じる可能性がある。 我々は, 縦方向の変形を技術的および解剖学的変換に明示的に分解する合成データに基づいて, 完全に訓練された登録フレームワークである$\texttt{DisMorph}$を提案する。 2つの密度のある変形を予測し、それぞれが1つの効果を符号化する。 トレーニング中、新しい生成モデルは両方の効果を別々に合成し、アンタングルメントを監督し、ドメインランダム化はイメージングプロトコル間の一般化を促進する。 提案手法を3つの相補的な設定で評価する。 本手法は, 既往の登録データよりも, 解剖学的変化をより正確に, 一貫して検出する。 GNL歪みのみが異なる実画像対に対して,本手法は歪み場に最も幾何学的変化を割り当て,解剖学的変化がない場合に特異性を示す。 縦型アルツハイマー病(AD)では,AD関連脳構造の解剖学的変化を検知し,標準修正後の残存歪みを同定した。 MRIによる経時的変形の生物学的変化の歪みを解消することにより, 取得整合性の維持が困難である臨床現場において, より正確な経時的形態計測の道を開くことができる。

関連論文リスト

• MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis [12.80647654676651]
  我々は,効率的な拡散フレームワークであるMUMINS(Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis)を提案する。 ベースラインスキャンとフォローアップ残差を共同で拡散し、フォローアップスキャンを合成し、空間不確実性マップを同時に予測する。 臓器に依存しない設計で、同じアーキテクチャは、別々のデータセット固有の再トレーニングを通じて解剖学的に再利用される。
  論文  参考訳（メタデータ） (2026-09-15T13:32:37Z)
• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• ProgFormer: Hierarchical Voxel Diffusion Transformer for Longitudinal Brain MRI Prediction [81.07048249760953]
  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。
  論文  参考訳（メタデータ） (2026-07-30T00:13:42Z)
• Differential privacy representation geometry for medical image analysis [1.828619151598757]
  医療画像における差分プライバシー(DP)の効果は、通常、エンドツーエンドのパフォーマンスによって評価される。 本稿では,DPを表現空間の構造的変換として解釈するフレームワークであるDP-RGMIについて紹介する。 線形分離性が大部分保存されている場合においても,DPは利用ギャップと一貫して関連していることを示す。
  論文  参考訳（メタデータ） (2026-03-01T13:30:36Z)
• MUSTER: Longitudinal Deformable Registration by Composition of Consecutive Deformations [0.0]
  本研究は,医用画像の経時的変化解析手法であるMulti-Session Temporal Registration (MUSTER)を紹介する。 MUSTERは、縦方向の変形を回復するために、2つ以上のイメージングセッションを組み込むことで、従来のペアの登録を改善する。 MUSTERはT1強調画像から神経変性のパターンを効果的に同定し,これらの変化が認知の変化と相関していることを示す。
  論文  参考訳（メタデータ） (2024-12-19T09:22:19Z)
• Anatomy-informed Data Augmentation for Enhanced Prostate Cancer Detection [1.6539563017720214]
  本研究では,前立腺の生理的変形をシミュレートするために,隣接する臓器の情報を活用する新しい解剖情報変換法を提案する。 生検で確認した774検体を対象に, 増量の有効性を実証した。
  論文  参考訳（メタデータ） (2023-09-07T11:46:59Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• A deep residual learning implementation of Metamorphosis [4.4203363069188475]
  本稿では,推論時の計算時間を劇的に削減するメタモルフィズムの残差学習実装を提案する。 また,提案フレームワークは,位相変化の局所化に関する事前知識を容易に統合できることを示す。 提案手法はBraTS 2021データセット上でテストし,脳腫瘍と画像のアライメントにおいて最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2022-02-01T15:39:34Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology [33.90454917741234]
  腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
  論文  参考訳（メタデータ） (2021-01-17T20:38:50Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)

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。