4D縦断拡散モデルによる神経変性疾患の脳解剖の生成モデリング

arXiv cs.CV / 2026/4/27

📰 ニュースDeveloper Stack & InfrastructureModels & Research

共有:

要点

本研究は、縦断的な神経画像データが時間的に疎であるという制約のもとで、神経変性疾患の進行をより適切にモデル化することに取り組んでいる。
健康状態・年齢・性別などの臨床変数を条件付けとして用い、4D（3D空間＋時間）の拡散ベース生成フレームワークにより縦断的な脳解剖を合成する。
画像の輝度や質感の操作に主に焦点を当てる既存手法と異なり、本手法はトポロジーを保った時空間変形のデータ分布を明示的に学習し、時間経過に伴う幾何学的変化をより捉える。
合成シーケンス生成、縦断的疾患分類、脳セグメンテーションの複数の検証を通じて、2つの大規模縦断データセット上で、解剖学的精度・時間的一貫性・臨床的妥当性のいずれも最先端ベースラインを上回ることを示した。
提案手法のコードはGitHubで公開されており、再現性や今後の研究を後押しする。

Abstract

神経変性疾患の進行を理解し予測することは、医療AIにおいて依然として大きな課題であり、早期診断、疾患モニタリング、治療計画に重大な影響を及ぼします。しかし、利用可能なほとんどの縦断（ロング）な神経画像データセットは時間的に疎であり、被験者ごとの追跡スキャンは少数に限られています。このような時間データの不足は、個々の被験者における疾患進行に関連する連続的な解剖学的変化をモデル化し、正確に捉える能力を制約します。そこで本研究では、健康状態、年齢、性別、その他の関連因子といった利用可能な臨床変数に条件付けしつつ、時間とともに縦断的な脳の解剖学を効果的にモデル化し合成する、新しい4D（3DxT）拡散ベースの生成フレームワークを提案します。さらに、現在の多くの手法が画像の強度やテクスチャの操作に焦点を当てているのに対し、本手法はトポロジーを保持する時空間変形のデータ分布を明示的に学習し、時間経過に伴う脳構造の幾何学的変化を効果的に捉えます。この設計により、将来の解剖学的状態の現実的な生成と、解剖学的整合性のある疾患軌跡の再構築が可能になり、縦断的な脳の変化をより忠実に表現できます。本モデルは、合成シーケンス生成と、下流の縦断的疾患分類、ならびに脳セグメンテーションの両面から検証します。2つの大規模な縦断神経画像データセットでの実験により、本手法が、解剖学的に正確で、時間的に一貫性があり、かつ臨床的に意味のある脳の軌跡を生成する点で、最先端のベースラインを上回ることを示します。コードはGithubで公開しています。