論文の概要: Multimodal-Conditioned Latent Diffusion Models for Spatiotemporal Brain MRI Forecasting

• arxiv url: http://arxiv.org/abs/2610.25481v2
• Date: Tue, 20 Oct 2026 10:25:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.302656
• Title: Multimodal-Conditioned Latent Diffusion Models for Spatiotemporal Brain MRI Forecasting
• Title（参考訳）: 時空間脳MRIにおけるマルチモーダル・コンディション付き潜時拡散モデル
• Abstract要約: MC-LDM(Multimodal-Conditioned Latent Diffusion Model)は、患者特異的な脳MRI合成のための新しいフレームワークである。 MC-LDMは、アルツハイマー病神経画像イニシアチブ(ADNI)の852人の被験者から1,355回の訪問で訓練される これは664回の独立したテストセットにおいて、第2位のベースラインよりも平均的な地域MAEを18%削減する。
• 参考スコア（独自算出の注目度）: 3.8450394293888284
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatiotemporal forecasting of 3D anatomical changes is a critical generative vision challenge for modeling Alzheimer's Disease (AD) progression. While brain MRI forecasting from single-modality data has advanced, other key complementary multimodal biomarkers remain underutilized. In this work, we propose the Multimodal-Conditioned Latent Diffusion Model (MC-LDM), a novel framework for patient-specific brain MRI synthesis. MC-LDM leverages multimodal biomarkers---MRI, tau-PET, Clinical Dementia Rating (CDR), and APOE4---during training, but relies only on baseline MRI, APOE4, and patient metadata at inference, reflecting realistic clinical availability. Our contributions are threefold: (1) a Latent Diffusion Model (LDM) fine-tuned via Low-Rank Adaptation (LoRA) for data-efficient learning; (2) a multimodal conditioning that integrates molecular and clinical signals to model heterogeneous disease trajectories; and (3) auxiliary predictors estimating unobserved multimodal biomarkers from MRI features and patient covariates to condition the diffusion model, removing the need for these assessments at inference. Trained on 1,355 visits from 852 subjects in the Alzheimer's Disease Neuroimaging Initiative (ADNI), MC-LDM reduces average regional volumetric MAE by 18% over the second-best baseline on an independent test set of 664 visits. To our knowledge, MC-LDM represents the first diffusion-based framework to leverage multimodal priors for MRI forecasting. This conceptual advancement enables patient-specific trajectory generation that captures aspects of AD heterogeneity not observable from structural anatomy alone, bridging the gap between rich multimodal supervision and the strict constraints of routine clinical deployment. Code is available at: https://github.com/antonioscardace/MC-LDM.
• Abstract（参考訳）: 3次元解剖学的変化の時空間予測は、アルツハイマー病(AD)の進行をモデル化するための重要な生成的ビジョン課題である。 単一モダリティデータからの脳MRIの予測は進んでいるが、他の主要な補完的マルチモーダルバイオマーカーは未利用のままである。 本研究では,患者固有の脳MRI合成のための新しいフレームワークであるMultimodal-Conditioned Latent Diffusion Model (MC-LDM)を提案する。 MC-LDMはマルチモーダルバイオマーカー--MRI、タウPET、臨床認知評価(CDR)、APOE4-デューリングトレーニングを利用するが、ベースラインMRI、APOE4、および推論時の患者のメタデータにのみ依存する。 データ効率学習のためのLow-Rank Adaptation (LoRA) を用いて微調整された潜伏拡散モデル (LDM) 、不均一な疾患の軌跡をモデル化するための分子信号と臨床信号を統合するマルチモーダルコンディショニング、MRIの特徴と患者共変量から保存されていない多モーダルバイオマーカーを推定する補助予測器、推論時のこれらのアセスメントの必要性を排除した。 Alzheimer's Disease Neuroimaging Initiative (ADNI)の852名の被験者から1,355人の訪問をトレーニングし、MC-LDMは664回の独立したテストセットで2番目に高いベースラインを18%減らした。 我々の知る限り、MC-LDMはMRIの予測にマルチモーダル先行を活用できる初めての拡散ベースのフレームワークである。 この概念的な進歩は、構造解剖だけでは観察できないADの不均一性の側面を捉え、リッチマルチモーダル監督と定期的な臨床展開の厳密な制約とのギャップを埋める患者特異的な軌跡生成を可能にする。 コードはhttps://github.com/antonioscardace/MC-LDM.comで入手できる。

関連論文リスト

• Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
  ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。 3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。 正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
  論文  参考訳（メタデータ） (2026-06-24T08:10:27Z)
• Alzheimer's Disease Diagnosis using a Multimodal Approach with 3D MRI and PET [8.600348180154592]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、不可逆的な神経変性疾患であり、世界中の死因である。 磁気共鳴イメージング(MRI)やポジトロン・エミッション・トモグラフィ(PET)スキャンのようなニューロイメージングデータは、疾患に関連する構造的、機能的な脳変化を提供することで、早期に脳の変化を検出するのに役立つ。 しかし、多くのマルチモーダルモデルは依然としてMRIとPETを静的な結合で融合させ、全ての被験者に同じ計算を適用している。 本稿では, 3次元畳み込み特徴抽出器と3つの融合戦略(連結, Gated Multimodal Unit, GMU, ゲート自己注意)を組み合わせるための最初の研究について述べる。
  論文  参考訳（メタデータ） (2026-06-18T10:11:14Z)
• 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)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
  Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。 軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
  論文  参考訳（メタデータ） (2026-01-21T01:45:36Z)
• Multi-modal MRI-Based Alzheimer's Disease Diagnosis with Transformer-based Image Synthesis and Transfer Learning [0.0]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、進行性神経変性疾患であり、臨床症状の発症より何年も前から病理学的変化が始まっている。 T1w MRIから直接FAおよびMDマップを予測する3DトランスUNet画像合成フレームワークを提案する。 私のモデルは高忠実度マップを生成し、構造類似度指数(SSIM)が0.93を超え、ピアーソン相関が強い(>0.94)。
  論文  参考訳（メタデータ） (2026-01-09T22:26:38Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• Flexible Multimodal Neuroimaging Fusion for Alzheimer's Disease Progression Prediction [9.628895561262608]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、認知低下率の患者間差が高い進行性神経変性疾患である。 PerM-MoEは、従来の単一ルータの代わりに独立したルータを各モードで使用する、新しいスパース・ミックス・オブ・エキスパート方式である。 PerM-MoE, State-of-the-art Flex-MoE, and unimodal neuroimaging model on predicting two-year change in Clinical Dementia Rating-Sum of Boxes (CDR-SB) scores under various level of modality missingness。
  論文  参考訳（メタデータ） (2025-09-08T16:59:23Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
  脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。 本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-17T07:54:49Z)

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。