論文の概要: Brain-PACE: A Deep Siamese MRI Framework for Modelling Longitudinal Brain Acceleration
- arxiv url: http://arxiv.org/abs/2609.11378v1
- Date: Thu, 10 Sep 2026 11:14:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.310684
- Title: Brain-PACE: A Deep Siamese MRI Framework for Modelling Longitudinal Brain Acceleration
- Title（参考訳）: Brain-PACE: 縦方向脳加速度をモデル化するためのディープシームMRIフレームワーク
- Abstract要約: 既存のシームズ縦長の枠組みに基づいて脳予測年齢加速度法(Brain-PACE)を開発し,T1強調MRIを用いて脳の老化速度を直接推定する。
Brain-PACEは、軽度認知障害の被験者の42.6ドル%で加速年齢を特定した。
- 参考スコア（独自算出の注目度）: 0.34300658272457424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain age estimation has become a popular research proxy for assessing brain health and disease, yet longitudinal trajectories of brain ageing are still poorly defined, and clinical use is limited. Building on existing Siamese longitudinal frameworks, we develop Brain-Predicted Age Acceleration (Brain-PACE) to directly estimate the pace of structural brain ageing from paired T1-weighted MRI. Brain-PACE identified accelerated ageing in $42.6$% of participants with mild cognitive impairment. Faster Brain-PACE was associated with greater functional and cognitive impairment (FAQ; $r=0.35$, ADAS13; $r=0.30$, CDR-SB; $r=0.32$) and greater regional tau burden in the posterior cingulate ($r=0.59$), precuneus ($r=0.47$), and entorhinal cortex ($r=0.37$). These associations were stronger than those observed when pace was calculated indirectly from repeated cross-sectional brain age estimates, suggesting that direct longitudinal modelling captures complementary information relevant to ongoing pathological change. Methodologically, Brain-PACE extends the LILAC framework by combining spatial attention with soft label distribution learning and a Cramér distance objective, improving probabilistic performance and reducing prediction bias while providing measures of predictive uncertainty. Together, these findings support Brain-PACE as a complementary longitudinal imaging phenotype with sensitivity to relevant clinical and biological changes in early neurodegeneration.
- Abstract（参考訳）: 脳年齢の推定は、脳の健康と病気を評価するための一般的な研究プロキシとなっているが、脳の老化の経時的軌跡はまだ定義されておらず、臨床利用は限られている。
既存のシームズ縦長の枠組みに基づいて脳予測年齢加速度法(Brain-PACE)を開発し,T1強調MRIを用いて脳の老化速度を直接推定する。
Brain-PACEは、軽度認知障害の被験者の42.6ドル%で加速年齢を特定した。
より高速なBrain-PACEは、機能的および認知的障害(FAQ; $r=0.35$, ADAS13; $r=0.30$, CDR-SB; $r=0.32$)と、後角帯(r=0.59$), precuneus(r=0.47$), enorhinal cortex(r=0.37$)と関連する。
これらの関連性は、横断的脳年齢推定から間接的に計算されたペースよりも強く、直接的縦断的モデリングは、進行中の病理変化に関連する相補的な情報を取得することが示唆された。
方法論的に、Brain-PACEは、空間的注意とソフトラベル分布学習とクラメール距離目標を組み合わせることでLILACフレームワークを拡張し、確率的性能を改善し、予測の不確実性の尺度を提供しながら予測バイアスを低減する。
これらの所見は, 早期神経変性の臨床的, 生物学的変化に敏感な, 相補的縦断的画像表現型としてのBrain-PACEを支持した。
関連論文リスト
- MRI-Based Brain Age Estimation with Supervised Contrastive Learning of Continuous Representation [4.845253846645897]
我々は,近年のRan-N-Contrast (RNC) の消失による教師付きコントラスト学習を用いて,広く使用されているT1w構造MRIに基づいて脳年齢を推定することを提案する。
提案手法は,平均絶対誤差(MAE)が4.27年,R2$0.93が訓練サンプルの限られたデータセットで達成される。
調査研究として,アルツハイマー病とパーキンソン病患者の脳年齢の差を推定するために,提案手法を用いた。
論文 参考訳（メタデータ） (2025-11-27T04:46:33Z) - Disentangling Neurodegeneration with Brain Age Gap Prediction Models: A Graph Signal Processing Perspective [89.99666725996975]
脳年齢ギャップ予測(BAGP)モデルは、データから予測される脳年齢と時系列年齢との差を推定する。
本稿では、BAGPの概要と、グラフ信号処理(GSP)の最近の進歩に基づく、このアプリケーションのための原則化されたフレームワークを紹介する。
VNNは強力な理論的基盤と操作的解釈可能性を提供し、脳年齢差予測の堅牢な推定を可能にする。
論文 参考訳（メタデータ） (2025-10-14T17:44:45Z) - BrainPath: Generating Subject-Specific Brain Aging Trajectories [9.106315876381698]
トレーニング中に脳の経時変化を学習する3D生成フレームワークであるBrainPathについて紹介する。
BrainPathは、単一のベースラインスキャンから任意の時点における解剖学的に忠実なMRIを予測する。
論文 参考訳（メタデータ） (2025-08-21T02:45:28Z) - Conditional Fetal Brain Atlas Learning for Automatic Tissue Segmentation [0.8326370619658685]
本研究では, 連続的, 年齢別胎児脳アトラスを生成するための新しい深層学習フレームワークを提案する。
このフレームワークは、直接登録モデルと条件判別器を組み合わせる。
妊娠21週から37週にわたる219個の神経型胎児MRIの訓練データセットを用いて訓練を行った。
論文 参考訳（メタデータ） (2025-08-06T15:07:39Z) - Robust brain age estimation from structural MRI with contrastive learning [8.439245091011358]
脳の年齢を構造MRIから推定することは、規範的および病理的老化を特徴づける強力なツールとして現れている。
我々は、新しい対照的な損失関数である$mathcalLexp$を導入し、それを複数の公開ニューロイメージングデータセットで評価する。
論文 参考訳（メタデータ） (2025-07-02T15:18:03Z) - Explainable Brain Age Gap Prediction in Neurodegenerative Conditions using coVariance Neural Networks [94.06526659234756]
脳年齢差予測に対するブラックボックス機械学習アプローチは実用性に制限がある。
各種神経変性疾患に対する皮質厚み特徴を用いた脳年齢差の研究に,VNNに基づくアプローチを適用した。
以上の結果より,アルツハイマー病,前頭側頭型認知症,非定型パーキンソン病の脳年齢差の解剖学的特徴が明らかとなった。
論文 参考訳（メタデータ） (2025-01-02T19:37:09Z) - Enhancing Brain Age Estimation with a Multimodal 3D CNN Approach Combining Structural MRI and AI-Synthesized Cerebral Blood Volume Data [14.815462507141163]
脳年齢ギャップ推定(BrainAGE)は、脳年齢を理解するための神経画像バイオマーカーである。
現在のアプローチでは、主にT1強調MRI(T1w MRI)データを使用し、構造脳情報のみをキャプチャする。
我々は,VGGに基づくアーキテクチャを用いたディープラーニングモデルを開発し,線形回帰を用いた予測を組み合わせた。
我々のモデルは3.95年の平均絶対誤差(MAE)とテストセットの$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) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Explainable Brain Age Prediction using coVariance Neural Networks [94.81523881951397]
大脳皮質の厚み特徴を用いた脳年齢予測のための説明駆動・解剖学的解釈可能なフレームワークを提案する。
具体的には、私たちの脳年齢予測フレームワークは、アルツハイマー病(AD)の脳年齢ギャップの粗い指標を超えて拡張されます。
我々は2つの重要な観察を行う: VNNは、貢献する脳の領域を同定することによって、ADの脳年齢差を高めるために解剖学的解釈性を割り当てることができる。
論文 参考訳（メタデータ） (2023-05-27T22:28:25Z) - Brain Age Estimation From MRI Using Cascade Networks with Ranking Loss [75.03117866578913]
T1強調MRIデータから脳年齢を推定するために,新しい3次元畳み込みネットワークである2段エイジネットワーク(TSAN)を提案する。
686ドルのMRIによる実験では、TSANが正確な脳年齢を推定できることが示された。
論文 参考訳（メタデータ） (2021-06-06T07:11:25Z) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳（メタデータ） (2020-08-29T11:50:37Z)
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。