PulseAugur
中
实时 10:57:36
English(EN) Predicting Brain Morphometry with MT-GNN: Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings

新型MT-GNN模型高精度预测大脑结构演化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的图神经网络模型MT-GNN，能够预测大脑结构形状随时间的演化。该模型专注于预测表面的内在几何形状，特别是度量张量，适用于任意历史扫描数据和预测范围。在ADNI数据集的14个皮层下结构上进行测试时，MT-GNN的预测精度优于现有方法，平均顶点误差为-2.29%，并且优于测地线形状回归和网格Transformer。 AI

影响 这项研究通过能够更准确地预测与大脑结构变化相关的疾病进展，有望促进医学预后和临床试验的丰富。

排序理由 该集群描述了一篇详细介绍用于预测脑形态计量的新颖模型的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型MT-GNN模型高精度预测大脑结构演化

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman ·

    Predicting Brain Morphometry with MT-GNN: Mesh Evolution in Continuous Time with Graph-Based Metric Tensor Embeddings

    arXiv:2608.05132v1 Announce Type: cross Abstract: Predicting how a subcortical structure's shape will evolve from a few prior scans could support prognosis and clinical-trial enrichment. Existing longitudinal mesh predictors either extrapolate shape trajectories via high-dimensio…

相关话题