論文の概要: Beyond Representation Learning: A Systematic Study of Joint-Embedding Predictive Generation for 3D Brain MRI

• arxiv url: http://arxiv.org/abs/2608.28787v1
• Date: Fri, 28 Aug 2026 18:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.744929
• Title: Beyond Representation Learning: A Systematic Study of Joint-Embedding Predictive Generation for 3D Brain MRI
• Title（参考訳）: 表現学習を超えて:3次元脳MRIにおける関節埋め込み予測生成の体系的研究
• Abstract要約: Med-D-JEPAは3次元脳MRIにおける関節埋め込み予測生成の体系的適応と評価である。 Med-D-JEPAは、3D KL規則化された逆数式自動エンコーダによって生成される連続潜時トークンで動作し、マスク付きコンテキスト予測、表現レベルアライメント、トーケン拡散、反復的な次セット・オブ・トーケンサンプリングを組み合わせる。 Med-D-JEPAは、さまざまな世代設定において、忠実度と多様性の指標に関するいくつかの強いベースラインと比較して、優れた、あるいは競争的なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 3.5262965062634097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint-embedding predictive architectures (JEPAs) have primarily been developed for self-supervised representation learning. Denoising JEPA (D-JEPA) recently demonstrated strong generative capabilities on natural images, yet the applicability to 3D medical imaging remains unexplored. Building on the D-JEPA framework, we present Med-D-JEPA, a systematic adaptation and evaluation of joint-embedding predictive generation for 3D brain MRI. Med-D-JEPA operates on continuous latent tokens produced by a 3D KL-regularized adversarial variational autoencoder, and combines masked context prediction, representation-level alignment, per-token diffusion, and iterative next-set-of-token sampling. We evaluate unconditional and class-conditional generation quality on BraTS2019 and OASIS-1 datasets; downstream classification utility; and preliminary whole-tumor segmentation on BraTS2020. Across different generation settings, Med-D-JEPA achieves superior or competitive performance compared to several strong baselines on fidelity and diversity metrics. Compared to training with real samples, Med-D-JEPA-based synthetic pretraining improves classification AUC from 0.63 to 0.85 on BraTS2019 and from 0.78 to 0.87 on OASIS-1. In the segmentation study, pretraining on Med-D-JEPA samples improves Dice from 0.74 to 0.80 and reduces HD95 from 13.40 to 9.56 mm. These findings establish joint-embedding predictive generation as a promising direction for 3D medical image synthesis and encourage further research in this direction.
• Abstract（参考訳）: JEPA(Joint-embedding predictive Architectures)は、主に自己教師付き表現学習のために開発されたアーキテクチャである。 最近、D-JEPA(Denoising JEPA)は、自然画像に対して強力な生成能力を示したが、3D医療画像の適用性はまだ明らかになっていない。 D-JEPAフレームワーク上に構築したMed-D-JEPAは3次元脳MRIにおける関節埋め込み予測生成の体系的適応と評価である。 Med-D-JEPAは、3D KL規則化された逆数式自動エンコーダによって生成される連続潜時トークンで動作し、マスク付きコンテキスト予測、表現レベルアライメント、トーケン拡散、反復的な次セット・オブ・トーケンサンプリングを組み合わせる。 我々はBraTS2019およびOASIS-1データセットの非条件およびクラス条件生成品質、下流分類ユーティリティ、BraTS2020における腫瘍全領域の予備的セグメンテーションを評価した。 Med-D-JEPAは、さまざまな世代設定において、忠実度と多様性の指標に関するいくつかの強いベースラインと比較して、優れた、あるいは競争的なパフォーマンスを達成する。 実際のサンプルと比較すると、Med-D-JEPAをベースとした合成プレトレーニングは、BraTS2019では0.63から0.85に、OASIS-1では0.78から0.87に、AUCの分類を改善している。 セグメンテーション研究では、Med-D-JEPAサンプルのプレトレーニングにより、Diceは0.74から0.80に改善され、HD95は13.40から9.56mmに減少する。 これらの知見は,3次元医用画像合成の有望な方向として共同埋め込み予測生成を確立し,この方向のさらなる研究を奨励するものである。

関連論文リスト

• Contrastive Joint-Embedding Prediction for Representation Learning in Structural MRI [3.652509571098291]
  ボリューム脳MRIのための自己教師型フレームワークであるCOJEPAを提案する。 共同埋め込み予測アーキテクチャ(JEPA)とコントラスト損失(CO)を組み合わせることで、局所的な予測性とグローバルな差別性という2つの相補的な特性をターゲットにしている。
  論文  参考訳（メタデータ） (2026-07-12T10:48:13Z)
• STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning [0.0]
  脳年齢は、時間的年齢からの逸脱が神経学的および精神医学的な負担を追跡できる新興バイオマーカーである。 5歳から81歳までの47,703回のセッションで事前学習した,安静状態とタスク脳波の自己教師型変換器STST-JEPAを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T12:19:54Z)
• AEGIS: A Multi-Task Joint-Embedding Predictive Architecture for Mammography [0.0]
  自己教師型共同埋め込み予測アーキテクチャ(JEPA)を用いて3種類の視覚変換器(Small/Base/Large)を訓練する。 785-study 検体では, 乳腺癌トリアージにおいて, 93%の感度, 75%の特異性を有する0.949が得られた。 乳房密度分類では、2進分類では0.953 AUC、Breast Imaging Reporting and Data System (BI-RADS) では62.6%の精度を達成している。
  論文  参考訳（メタデータ） (2026-06-30T23:52:55Z)
• Clin-JEPA: A Multi-Phase Co-Training Framework for Joint-Embedding Predictive Pretraining on EHR Patient Trajectories [7.992399976910451]
  Clin-JEPAは、HR患者軌道上での予測(JEPA)事前トレーニングのための多相コトレーニングフレームワークである。 MIMIC-IV ICUデータでは、3つの独立した評価がフレームワークをサポートしている。
  論文  参考訳（メタデータ） (2026-05-11T16:54:23Z)
• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Hybrid Ensemble of Segmentation-Assisted Classification and GBDT for Skin Cancer Detection with Engineered Metadata and Synthetic Lesions from ISIC 2024 Non-Dermoscopic 3D-TBP Images [0.0]
  本研究は,皮膚病変の分類のためのハイブリッドマシンと深層学習に基づくアプローチを提案する。 3D全体写真(TBP)から抽出した401,059個の画像からなり、非皮膚内視鏡的なスマートフォンのような状態をエミュレートする。 予測は、エンジニアリングされた特徴と患者固有の関係指標によって強化された、勾配ブースト決定木(GBDT)アンサンブルで融合される。
  論文  参考訳（メタデータ） (2025-06-03T22:00:03Z)
• A weakly-supervised deep learning model for fast localisation and delineation of the skeleton, internal organs, and spinal canal on Whole-Body Diffusion-Weighted MRI (WB-DWI) [0.0]
  3DパッチをベースとしたResidual U-Netアーキテクチャに基づいた,ディープラーニングの自動パイプラインを開発した。 進行前立腺癌 (APC) と多発性骨髄腫 (MM) の532検体を含む多心性WB-DWIデータセットを用いた。 オートマチックとマニュアルフルボディのADCの相対的な中央値差は10%以下であった。 モデルはアトラスベース登録アルゴリズムの12倍高速であった。
  論文  参考訳（メタデータ） (2025-03-26T17:03:46Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。