論文の概要: BrainDiff: Longitudinal Report Generation for Multimodal Brain MRI

• arxiv url: http://arxiv.org/abs/2609.00593v2
• Date: Thu, 03 Sep 2026 01:38:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 13:51:58.210722
• Title: BrainDiff: Longitudinal Report Generation for Multimodal Brain MRI
• Title（参考訳）: BrainDiff: マルチモーダル脳MRIの経時的報告
• Authors: Krish Patel, Peirong Liu,
• Abstract要約: 神経放射線学者は脳MRIを単独で読むことはめったにないが、自動化された脳MRIレポートは、ほとんど完全に単一の研究のために構築されている。 脳MRIにおける最初の縦型視覚言語システムであるBrainDiffについて紹介する。 BrainDiffは、同じ患者ペア上で、フロンティア汎用モデルとシングルスタディモデルの両方を上回っている。
• 参考スコア（独自算出の注目度）: 4.71245352506407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuroradiologists rarely read a brain MRI in isolation, yet automated brain-MRI report generation has been built almost entirely for single studies. Temporal analysis has been explored on chest radiography and chest CT, but to our knowledge, longitudinal reporting for brain MRI, where interval change is often subtle and spatially distributed, remains unaddressed. We present BrainDiff, the first longitudinal vision-language system for brain MRI. BrainDiff outperforms both frontier general-purpose and single-study neuroimaging models on the same patient pairs. Moreover, BrainDiff retains 91% of internal RadGraph-XL entity+relation F1 (rg_er) on an external, cross-hospital cohort. Beyond the system, we contribute three analyses. First, we identify two independent grounding levers: a counterfactual objective with prior-report dropout, which increases measured image reliance by ~47%, and a staged curriculum. Together, these interventions raise image reliance 2.5-fold from the baseline. Second, we provide a factorial over prior-report availability and image identity, isolating a visual contribution of +0.0387 rg_er, which grows when the prior report is withheld. Third, a cheap change-decodability test for candidate backbones shows that interval change is decodable far more weakly than single-study pathology (0.60 vs. 0.77 AUROC). Code is publicly available at https://github.com/jhuldr/BrainDiff.
• Abstract（参考訳）: 神経放射線学者は脳MRIを単独で読むことはめったにないが、自動化された脳MRIレポートは、ほとんど完全に単一の研究のために構築されている。 胸部X線写真や胸部CTでは経時的解析が試みられてきたが,脳MRIでは経時的に経時的に経時的変化がみられ,空間分布が微妙な場合が多いため,未治療のままである。 脳MRIにおける最初の縦型視覚言語システムであるBrainDiffについて紹介する。 BrainDiffは、同じ患者ペアで、フロンティアの汎用とシングルスタディのニューロイメージングモデルの両方を上回っている。 さらに、BrainDiffは外部のクロスホスピタルコホート上のRadGraph-XLエンティティ+リレーションF1(rg_er)の91%を保持している。 システムを超えて、我々は3つの分析に貢献する。 まず,2つの独立した接地レバーを識別する: 先行レポートのドロップアウトによる対物目的であり,画像信頼度を約47%向上させる。 これらの介入は、ベースラインから2.5倍の画像信頼を高める。 第2に,事前報告の可利用性や画像の同一性に対する因子として,事前報告を控えた時に増大する+0.0387 rg_erの視覚的寄与を分離する。 第3に、候補骨に対する安価な変更復調性試験は、間隔変化がシングルスタディの病理学(0.60対0.77 AUROC)よりもはるかに弱いことを示している。 コードはhttps://github.com/jhuldr/BrainDiff.comで公開されている。

関連論文リスト

• Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction [4.906818291607462]
  ベースライン磁気共鳴画像(MRI)から将来の脳状態を予測することは、ニューロイメージングにおける中心的な課題である。 既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。 そこで本研究では,数年後に被験者の脳MRI全体を予測する経時的MRI画像から画像への予測について検討する。
  論文  参考訳（メタデータ） (2025-11-04T13:19:58Z)
• Voxel-Level Brain States Prediction Using Swin Transformer [65.9194533414066]
  本稿では, 4D Shifted Window (Swin) Transformer をエンコーダとして用い, 時間的情報を効率よく学習し, 畳み込みデコーダを用いて入力fMRIデータと同じ空間的, 時間的解像度で脳状態の予測を可能にするアーキテクチャを提案する。 前回の23.04s fMRI時系列に基づいて7.2sの安静時脳活動を予測すると,高い精度が得られた。 これは、人間の脳の時間的構造が高解像度でSwin Transformerモデルによって学習できることを示す有望な証拠である。
  論文  参考訳（メタデータ） (2025-06-13T04:14:38Z)
• Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
  脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。 現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。 我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。 我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$R2$ 0.943を達成し、類似したデータでトレーニングされた既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-12-01T21:54:08Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• BrainFormer: A Hybrid CNN-Transformer Model for Brain fMRI Data Classification [31.83866719445596]
  BrainFormerは、単一のfMRIボリュームを持つ脳疾患分類のための一般的なハイブリッドトランスフォーマーアーキテクチャである。 BrainFormerは、各voxel内のローカルキューを3D畳み込みでモデル化することによって構築される。 我々は、ABIDE、ADNI、MPILMBB、ADHD-200、ECHOを含む5つの独立して取得したデータセット上でBrainFormerを評価する。
  論文  参考訳（メタデータ） (2022-08-05T07:54:10Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with Multi-Task Brain Age Prediction [53.122045119395594]
  ディープラーニングを用いた脳MRIにおける教師なし異常検出(UAD)は有望な結果を示した。 年齢情報を考慮した3次元脳MRIにおけるUDAの深層学習を提案する。 そこで本研究では,マルチタスク年齢予測を用いた新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T09:39:52Z)

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。