論文の概要: MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization

• arxiv url: http://arxiv.org/abs/2608.24415v1
• Date: Tue, 25 Aug 2026 11:30:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.946625
• Title: MRI-based Deep Radiomic Phenotyping of Neuromuscular Disorders: A Topology-driven Characterization
• Title（参考訳）: MRIによる神経筋疾患の深部放射線学的診断 : トポロジーによる評価
• Abstract要約: 本研究は,5つの主要アーキテクチャ領域にまたがるオリジナル機能に基づく自動放射能表現型フレームワークを提案する。 異種筋内脂肪変性の複雑な3次元構造を客観的、形態学的に解釈可能なバイオマーカーにマッピングする。
• 参考スコア（独自算出の注目度）: 0.37341173401157257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative assessment of muscle MRI is crucial for monitoring neuromuscular disorders (NMD). This study introduces an automated radiomic phenotyping framework based on original features engineered across five main architectural domains: quantitative morphometry, spatial distribution, geometric shape, interactions between progressive fat replacement stages, and graph-based topology. Utilizing 1184 MRI scans from the CoMPaSS-NMD project, we map the complex 3D architecture of heterogeneous intramuscular lipodegeneration into objective, morphologically interpretable biomarkers. We introduce a graph-based skeletonization of fat infiltrates to quantify muscle architectural changes, establishing a multi-dimensional extension of traditional, spatially-agnostic volume metrics by mapping topological networks across the entire 3D muscle volume. Statistical screening via non-parametric Kruskal-Wallis analysis confirmed the discriminative power of these novel descriptors across the genetic hierarchy. Notably, topological network metrics (e.g., SF1_Skel_Nodes, $ε^2$ = 0.2656) and interface dynamics metrics (e.g., SF2_To_SF1_Dist_Min, $ε^2$ = 0.2092) demonstrated substantial effect sizes, providing deeper structural insights than classical volumetric assessments. Post-hoc pairwise evaluations and UMAP projections further indicated the capability of these topological and 3D geometric invariants to capture disease-specific macroscopic infiltration patterns. These results demonstrate that global architectural features represent a highly promising class of biomarkers for differential diagnosis, offering new avenues for tracking longitudinal disease dynamics in neuromuscular diagnostics. The developed automated feature extraction pipeline is integrated and available within the MUSCAT (MUSCle fAt Topology) library.
• Abstract（参考訳）: 筋MRIの定量的評価は神経筋疾患(NMD)のモニタリングに不可欠である。 本研究では, 定量的形態計測, 空間分布, 幾何学的形状, プログレッシブ脂肪置換段階間の相互作用, グラフベースのトポロジという, 5つの主要なアーキテクチャ領域にまたがる特徴に基づいて, 自動放射能表現型フレームワークを提案する。 CoMPaSS-NMDプロジェクトから1184個のMRIスキャンを用いて、異種筋内脂肪変性の複雑な3次元構造を客観的、形態学的に解釈可能なバイオマーカーにマッピングした。 筋構造の変化を定量化するために, グラフに基づく脂肪浸潤体の骨格化を導入し, 3次元筋容積全体にわたってトポロジカルネットワークをマッピングすることで, 従来の空間的容積測定の多次元拡張を確立する。 非パラメトリックKruskal-Wallis分析による統計的スクリーニングにより、これらの新規な記述子の遺伝的階層における識別力が確認された。 特に、トポロジカルネットワークメトリクス(例: SF1_Skel_Nodes, $ε^2$ = 0.2656)とインターフェースダイナミクスメトリクス(例: SF2_To_SF1_Dist_Min, $ε^2$ = 0.2092)は、古典的なボリュームアセスメントよりも深い構造的な洞察を与える。 ポストホックのペアワイズ評価とUDP投影は、これらのトポロジカルおよび3次元幾何学的不変量により、疾患特異的なマクロな浸潤パターンを捉える能力を示した。 これらの結果から, グローバルな構造的特徴は, 神経筋診断における経時的疾患のダイナミックスを追跡するための新たな道を提供する, 診断のためのバイオマーカーとして, 極めて有望なクラスであることが示唆された。 開発された自動機能抽出パイプラインはMUSCAT(MUSCle fAt Topology)ライブラリに統合され利用可能である。

関連論文リスト

• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Modeling Higher-Order Brain Interactions via a Multi-View Information Bottleneck Framework for fMRI-based Psychiatric Diagnosis [37.574253923395105]
  O$-information は HOI の情報の性質を特徴づける符号付き測度である。 我々は、fMRIに基づく精神診断のための統合多視点情報ボトルネックフレームワークに、第3次および第4次$O$情報を統合する。 私たちのトリビューアーキテクチャは、対、三進、四進の脳の相互作用を系統的に融合させ、包括的な脳の接続を捉える。
  論文  参考訳（メタデータ） (2026-04-20T01:50:20Z)
• Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
  ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。 特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。 我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2026-04-06T22:27:36Z)
• Brain Tumor Classification from 3D MRI Using Persistent Homology and Betti Features: A Topological Data Analysis Approach on BraTS2020 [0.8374077003751697]
  トポロジカルデータ解析に基づく脳腫瘍分類のためのトポロジ駆動フレームワークを提案する。 我々はBraTS 2020データセットからFLAIR(Fluid Attenuated Inversion Recovery)の画像を分析した。 脳腫瘍構造の基礎となるトポロジを要約した100のトポロジ的特徴のコンパクトなセットを導出する。
  論文  参考訳（メタデータ） (2026-03-14T05:44:38Z)
• Learning Glioblastoma Tumor Heterogeneity Using Brain Inspired Topological Neural Networks [3.120728330365825]
  TopoGBMは3D MRIからスキャナ・ロバスト表現をキャプチャする学習フレームワークである。 機械的解釈可能性分析により、再構成残基が病理学的に不均一な領域に高度に局在していることが判明した。
  論文  参考訳（メタデータ） (2026-02-11T16:28:13Z)
• Glo-UMF: A Unified Multi-model Framework for Automated Morphometry of Glomerular Ultrastructural Characterization [15.58257979618407]
  Glo-UMFは、セグメンテーション、分類、検出を統合する統合されたマルチモデルフレームワークである。 372個の電子顕微鏡画像を用いて、糸球体基底膜厚、FPE(Fight of foot process effacement)、EDD位置を定量化する。
  論文  参考訳（メタデータ） (2025-08-14T05:25:30Z)
• Ensemble Learning and 3D Pix2Pix for Comprehensive Brain Tumor Analysis in Multimodal MRI [2.104687387907779]
  本研究では,ハイブリッドトランスモデルと畳み込みニューラルネットワーク(CNN)を用いたアンサンブル学習の強みを活用した統合的アプローチを提案する。 本手法は,アキシャルアテンションとトランスフォーマーエンコーダを併用して,高機能な空間関係モデリングを行う。 その結果,Dice similarity Coefficient (DSC), Hausdorff Distance (HD95), Structure similarity Index Measure (SSIM), Peak Signal-to-Noise Ratio (PSNR), Mean-Square Error (MSE) などの画期的な評価が得られた。
  論文  参考訳（メタデータ） (2024-12-16T15:10:53Z)
• Patch-based Intuitive Multimodal Prototypes Network (PIMPNet) for Alzheimer's Disease classification [3.144057505325736]
  部分プロトタイプニューラルネットワークは、Deep Learning(DL)の計算上の利点を解釈可能な設計アーキテクチャに統合する。 PIMPNetは3D sMRIと患者の年齢からアルツハイマー病(AD)のバイナリ分類に適用された3D画像と人口統計の解釈可能な最初のマルチモーダルモデルである。
  論文  参考訳（メタデータ） (2024-07-19T12:58:18Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。