論文の概要: MGRD: Compact morphology-gated residual diffusion for variance-aware cross-domain neurite forecasting

• arxiv url: http://arxiv.org/abs/2609.23990v1
• Date: Mon, 21 Sep 2026 01:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.039417
• Title: MGRD: Compact morphology-gated residual diffusion for variance-aware cross-domain neurite forecasting
• Title（参考訳）: MGRD : 分散型クロスドメイン神経突起予測のための小型モルフォロジーゲート残差拡散法
• Abstract要約: 神経突起の形態を時間とともに追跡することは、神経の発生と劣化の間の変化を特徴づけるのに役立つが、長期的な画像撮影は資源集約的でスケールが難しい。 我々は,10個の観察フレームから20種類の将来の神経形態学フレームを共同で予測する小型サロゲートであるMorphology-Gated Residual Diffusion (MGRD)を紹介する。 MGRDは4.4倍のパラメータを更新しながら、一致した制御に対して軌道平均MAEを9.7%削減する。
• 参考スコア（独自算出の注目度）: 3.3465161740785603
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tracking neurite morphology over time helps characterize structural changes during neuronal development and deterioration, but long-term time-lapse imaging is resource-intensive and difficult to scale. Forecasting future morphology could reduce this burden. Existing neurite digital-twin models such as gated spatiotemporal attention (gSTA) produce a single deterministic forecast without representing variability among plausible futures. We introduce Morphology-Gated Residual Diffusion (MGRD), a compact stochastic surrogate that jointly forecasts twenty future neurite-morphology frames from ten observed frames while conditioning on morphology features derived from the latest observation. On controlled phase-field trajectories, MGRD reduces trajectory-wise mean MAE by 9.7% relative to a matched control while updating 4.46 times fewer parameters. On human iPSC-derived neuron microscopy, MGRD improves all four reported metrics over gSTA, including a 39.6% reduction in trajectory-wise mean MAE and a 45.3% increase in skeleton F1. Without mouse-domain retraining or fine-tuning, MGRD also improves MAE and skeleton F1 on mouse cortical-neurosphere microscopy across 10-40-min sampling intervals and forecast horizons beyond 13 hours. Repeated sampling provides a case-level variance score for ranking forecast difficulty. Retaining approximately 60% of the lowest-variance cases reduces mean MAE by 17.6% on iPSC microscopy and 16.8% on simulation data. MGRD uses 1.01% of gSTA's parameters, requires less than one tenth of its training-update time, and generates a 50-step DDIM trajectory 7.9% faster when morphology features are cached. These results establish MGRD as a compact stochastic surrogate for neurite-morphology forecasting and case prioritization across simulation and microscopy datasets.
• Abstract（参考訳）: 神経細胞の形態を時間とともに追跡することは、神経の発生と劣化の間の構造変化を特徴づけるのに役立つが、長期的な時間ラプス画像は資源集約的でスケールが難しい。 将来の形態を予測することで、この負担を軽減できる。 ゲート時空間注意(gSTA)のような既存のニューロタイトデジタルツインモデルは、有望な未来間の変動を表現せずに単一の決定論的予測を生成する。 最新の観察から得られた形態的特徴を条件に,10個の観察フレームから20個の将来の神経突起形態を共同予測する,コンパクトな確率的サロゲートであるMorphology-Gated Residual Diffusion (MGRD)を導入する。 制御された位相場軌道では、MGRDは4.46倍のパラメータを更新しながら、一致した制御に対して軌道平均MAEを9.7%削減する。 ヒトiPSC由来のニューロン顕微鏡では、MGRDはgSTA上で報告された4つの指標を改良し、軌跡平均MAEは39.6%減少し、骨格F1は45.3%増加した。 MGRDは、マウス領域の再訓練や微調整がなければ、10～40分間隔でマウスの皮質-神経圏の顕微鏡でMAEと骨格F1を改良し、13時間を超える地平線を予測できる。 繰り返しサンプリングは、予測の難易度をランク付けするためのケースレベルの分散スコアを提供する。 最低分散のケースの約60%を保持すると、平均MAEはiPSC顕微鏡では17.6%、シミュレーションデータでは16.8%減少する。 MGRDはgSTAのパラメータの1.01%を使用し、トレーニング更新時間の10分の1未満を必要とし、形態学的特徴がキャッシュされると、50ステップのDDIM軌道を7.9%高速に生成する。 これらの結果から、MGRDは、シミュレーションおよび顕微鏡データセット間での神経形態予測およびケース優先順位付けのためのコンパクトな確率的サロゲートとして確立される。

関連論文リスト

• AI-Augmented Adaptive Digital Twin Modeling for Brain Tumor Evolution Prediction and Treatment Scheduling [13.239769357659412]
  本稿では,脳腫瘍の進展予測と治療計画のための適応型デジタルツイン(DT)フレームワークを提案する。 このフレームワークは、解釈可能な反応拡散(RD)モデル、モデル形状補正のための3次元残留学習モジュール、患者固有のDT更新を統合している。
  論文  参考訳（メタデータ） (2026-07-15T14:26:14Z)
• Mind the Gap: Continuous Magnification Sampling for Pathology Foundation Models [39.846652646235036]
  広範に使用されている離散的な倍率の均一サンプリングにより,中間倍率の劣化が生じることを示す。 倍率スケールで表現品質を最適化するサンプリング分布を導出する。 実験により、連続サンプリングは中間倍率での離散サンプリングよりも大幅に改善されることが示された。
  論文  参考訳（メタデータ） (2026-01-05T15:19:59Z)
• STG: Spatiotemporal Graph Neural Network with Fusion and Spatiotemporal Decoupling Learning for Prognostic Prediction of Colorectal Cancer Liver Metastasis [9.511932098831322]
  大腸癌肝転移(KCCM)を予測するためのマルチモーダル時間グラフニューラルネットワーク(STG)フレームワークを提案する。 我々のSTGフレームワークはCT画像と臨床データをヘテロジニアスグラフ構造に結合し,腫瘍分布エッジの同時モデリングと時間的進化を可能にする。 軽量版ではパラメータ数を78.55%削減し、最先端の性能を維持している。
  論文  参考訳（メタデータ） (2025-05-06T02:41:34Z)
• Early Diagnosis of Alzheimer's Diseases and Dementia from MRI Images Using an Ensemble Deep Learning [0.7510165488300369]
  アルツハイマー病(英語: Alzheimer's Disease, AD)は、認知障害や認知失調を引き起こす進行性神経疾患である。 本研究では,ADの初期段階を正確に検出するために,IR-BRAINNETとModified-DEMNETの2つのCNNを提案する。 また、CNN間のばらつきを低減し、AD検出を向上させるために出力を平均化するアンサンブルモデルも導入した。
  論文  参考訳（メタデータ） (2024-12-07T14:27:41Z)
• Future frame prediction in chest cine MR imaging using the PCA respiratory motion model and dynamically trained recurrent neural networks [0.0]
  肺放射線治療システムは、推定腫瘍位置の不確実性や健康な組織の高照射を引き起こす遅延を受ける。 この研究は、オンライン学習アルゴリズムで訓練されたRNNを用いて、胸部ダイナミックMRIシーケンスの将来のフレーム予測に対処し、その遅延を補償する。
  論文  参考訳（メタデータ） (2024-10-08T10:21:43Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• SGRU: A High-Performance Structured Gated Recurrent Unit for Traffic Flow Prediction [11.918007808289463]
  本稿では、構造化GRU層と非線形ユニットを含む構造化Gated Recurrent Unitsと、モデルの適合性を向上させるために複数の時間層を埋め込んだSGRUを提案する。 我々は,カリフォルニアの4つの公共交通データセット(PeMS03,PeMS04,PeMS07,PeMS08)を回帰予測として評価した。
  論文  参考訳（メタデータ） (2024-04-18T02:15:40Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)
• Transformer Multivariate Forecasting: Less is More? [42.558736426375056]
  本稿では,実行効率を最適化しながら予測精度を高めるために冗長な情報を削減することに焦点を当てる。 このフレームワークは、5つの最先端(SOTA)モデルと4つの多様な実世界のデータセットによって評価される。 PCA+Crossformer(PCA+Crossformer)は平均平方誤差(MSE)を33.3%減らし、平均で49.2%減らす。
  論文  参考訳（メタデータ） (2023-12-30T13:44:23Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)

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。