論文の概要: Macro2Micro: A Rapid and Precise Cross-modal Magnetic Resonance Imaging Synthesis using Multi-scale Structural Brain Similarity

• arxiv url: http://arxiv.org/abs/2412.11277v2
• Date: Sat, 25 Oct 2025 06:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.234904
• Title: Macro2Micro: A Rapid and Precise Cross-modal Magnetic Resonance Imaging Synthesis using Multi-scale Structural Brain Similarity
• Title（参考訳）: Macro2Micro:マルチスケール構造脳類似性を用いた高速かつ高精度なクロスモーダル磁気共鳴画像合成
• Authors: Sooyoung Kim, Joonwoo Kwon, Junbeom Kwon, Jungyoun Janice Min, Sangyoon Bae, Yuewei Lin, Shinjae Yoo, Jiook Cha,
• Abstract要約: 我々は、GAN(Generative Adversarial Network)を用いて、マクロ構造から脳の微細構造を予測するディープラーニングフレームワークであるMacro2Microを紹介する。 我々は,T1強調MRIをFA画像に忠実に変換し,従来法と比較して構造類似度指数測定(SSIM)を6.8%改善したことを示す。 MRモダリティ変換あたり0.01秒未満の推論時間を持つマクロ2マイクロは、医学および研究応用におけるリアルタイムマルチモーダルレンダリングの可能性を導入する。
• 参考スコア（独自算出の注目度）: 17.13479117328612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human brain is a complex system requiring both macroscopic and microscopic components for comprehensive understanding. However, mapping nonlinear relationships between these scales remains challenging due to technical limitations and the high cost of multimodal Magnetic Resonance Imaging (MRI) acquisition. To address this, we introduce Macro2Micro, a deep learning framework that predicts brain microstructure from macrostructure using a Generative Adversarial Network (GAN). Based on the hypothesis that microscale structural information can be inferred from macroscale structures, Macro2Micro explicitly encodes multiscale brain information into distinct processing branches. To enhance artifact elimination and output quality, we propose a simple yet effective auxiliary discriminator and learning objective. Extensive experiments demonstrated that Macro2Micro faithfully translates T1-weighted MRIs into corresponding Fractional Anisotropy (FA) images, achieving a 6.8\% improvement in the Structural Similarity Index Measure (SSIM) compared to previous methods, while retaining the individual biological characteristics of the brain. With an inference time of less than 0.01 seconds per MR modality translation, Macro2Micro introduces the potential for real-time multimodal rendering in medical and research applications. The code will be made available upon acceptance.
• Abstract（参考訳）: 人間の脳は、包括的理解のためにマクロなコンポーネントと顕微鏡的なコンポーネントの両方を必要とする複雑なシステムである。 しかし、これらのスケール間の非線形関係のマッピングは、技術的制限とマルチモーダル磁気共鳴画像(MRI)取得の高コストのため、依然として困難である。 そこで我々は,GAN(Generative Adversarial Network)を用いて,マクロ構造から脳の微細構造を予測するディープラーニングフレームワークであるMacro2Microを紹介した。 マクロ構造からマイクロスケール構造情報を推測できるという仮説に基づいて、マクロ2マイクロは、マルチスケールの脳情報を異なる処理ブランチに明示的にエンコードする。 アーティファクトの除去と出力品質の向上を目的として, 簡易かつ効果的な補助識別器と学習目標を提案する。 大規模な実験により、マクロ2マイクロはT1強調MRIを対応する破壊異方性(FA)画像に忠実に翻訳し、脳の個々の生物学的特性を維持しつつ、構造類似度指標尺度(SSIM)の6.8倍の改善を実現した。 MRモダリティ変換あたり0.01秒未満の推論時間を持つマクロ2マイクロは、医学および研究応用におけるリアルタイムマルチモーダルレンダリングの可能性を導入する。 コードは受理時に利用可能になる。

関連論文リスト

• Deep Generative Learning of Magnetic Frustration in Artificial Spin Ice from Magnetic Force Microscopy Images [0.0]
  本研究は,スピンレンズ配置のネット磁気モーメントと方向方向の計算を自動化する。 第一段階では、スピンアイス構造内の磁気モーメントと方向を正確に予測するために機械学習モデルを訓練する。 提案手法の第2段階は、フラストレーションのある頂点とナノ磁気セグメントの正確な同定と予測を可能にする。
  論文  参考訳（メタデータ） (2025-07-23T17:40:39Z)
• Mesoscopic Insights: Orchestrating Multi-scale & Hybrid Architecture for Image Manipulation Localization [45.99713338249702]
  メソスコピックレベルは、マクロと顕微鏡の世界の間の橋渡しとして機能し、両者が見落としているギャップに対処する。 そこで本研究では,IMLのためのマイクロおよびマクロ情報のメソスコピック表現を同時に構築する方法について検討する。 私たちのモデルは、パフォーマンス、計算複雑性、堅牢性の観点から、現在の最先端のモデルを超えています。
  論文  参考訳（メタデータ） (2024-12-18T11:43:41Z)
• MicroMIL: Graph-based Contextual Multiple Instance Learning for Patient Diagnosis Using Microscopy Images [31.82944216665197]
  癌診断はMIL(Multiple Case Learning)と全スライディング画像の統合から大きな恩恵を受けている 顕微鏡イメージングに特化して設計されたMILフレームワークであるMicroMILを紹介する。 実世界の大腸癌データセットとBreakHisデータセットの実験は、MicroMILが最先端のパフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2024-07-31T13:38:47Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• MatSAM: Efficient Extraction of Microstructures of Materials via Visual Large Model [11.130574172301365]
  Segment Anything Model (SAM)は、強力な深い特徴表現とゼロショットの一般化機能を備えた大きなビジュアルモデルである。 本稿では,SAMに基づく汎用的で効率的なマイクロ構造抽出法であるMatSAMを提案する。 簡単なが効果的な点ベースのプロンプト生成戦略が設計され、ミクロ構造の分布と形状に基づいている。
  論文  参考訳（メタデータ） (2024-01-11T03:18:18Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• MouseGAN++: Unsupervised Disentanglement and Contrastive Representation for Multiple MRI Modalities Synthesis and Structural Segmentation of Mouse Brain [4.733517098000804]
  マルチモーダルマウスの脳MRIデータは、しばしば欠落しており、マウスの脳の微細構造を自動的に分割することが非常に難しい課題である。 構造保存方式で複数のMRモーダルを合成するために,MormoGAN++という,非交叉型かつコントラスト型のGANベースのフレームワークを提案する。 その後に学習されたモダリティ不変情報とモダリティ変換画像を用いて、マウスGAN++は、平均ダイス係数90.0%(T2w)と87.9%(T1w)の微細脳構造を分割することができる。
  論文  参考訳（メタデータ） (2022-12-04T14:19:49Z)
• Three-dimensional microstructure generation using generative adversarial neural networks in the context of continuum micromechanics [77.34726150561087]
  本研究は, 三次元マイクロ構造生成に適した生成対向ネットワークを提案する。 軽量アルゴリズムは、明示的な記述子を必要とせずに、単一のmicroCTスキャンから材料の基礎特性を学習することができる。
  論文  参考訳（メタデータ） (2022-05-31T13:26:51Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)
• Non-invasive quantitative imaging of selective microstructure-sizes with magnetic resonance [0.0]
  本稿では,2つの測定値のみを必要とする手法と,その原理実証実験を用いて,選択的な微細構造サイズの画像を生成する手法について報告する。 我々は、一般的に用いられる崩壊率ではなく、磁化「デカイシフト」を利用するスピンエチョ配列のマイクロ構造サイズのフィルタを設計する。
  論文  参考訳（メタデータ） (2020-06-03T04:15:38Z)

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。