脳の発達過程における折り畳みパターンの予測は、神経科学と医学画像解析における重要な課題です。本研究で提案されるTrans-Unetは、3次元点群データから脳表面の成長パターンを高精度に予測する革新的なフレームワークです。 3次元点群データの学習には、順列不変性の確保、局所的文脈情報の不足、細粒度の表面再構成の困難さ、そして高い計算コストといった複数の課題が存在します。Trans-Unetはこれらの課題に対して、3次元点群データを2次元グリッド領域に変換することで対処します。その後、畳み込みニューラルネットワーク（CNN）と自己注意機構を統合したU字型のハイブリッドモデルを適用することで、高分解能の3次元点群データから正確な特徴を学習し、脳の折り畳みパターンを予測します。 研究に用いられたデータセットは、有限要素法による脳パッチ成長モデルから生成された3次元点群で構成されており、脳表面に40,401個の点、線維に2,382個の点を含む高解像度情報を保持しています。Trans-Unetは初期状態から最終状態への脳表面の折り畳み成長を予測するよう訓練されました。 複数の技術を組み合わせたTrans-Unetは、相補的な強みを活かしています。3次元から2次元への変換は細粒度の構造情報を保持しながら計算コストと次元性の呪いを大幅に削減し、畳み込みブロックは階層的な低レベルの局所表現を捉え、自己注意機構は大域的な高レベルの意味論と長距離依存性をモデル化します。実験結果は、Trans-Unetが既存手法を上回る忠実度と精度で脳パッチ成長の高解像度予測を実現することを実証しています。