論文の概要: MRI Image Generation Based on Text Prompts

• arxiv url: http://arxiv.org/abs/2505.22682v1
• Date: Fri, 23 May 2025 03:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.432985
• Title: MRI Image Generation Based on Text Prompts
• Title（参考訳）: テキストプロンプトに基づくMRI画像生成
• Authors: Xinxian Fan, Mengye Lyu,
• Abstract要約: 本研究では,実際のMRIデータセットを取得する際の課題を解決するために,安定拡散(SD)モデルを用いたテキストプロンプトMRI画像生成について検討する。 SDモデルは3Tの高速MRIデータセットと0.3TのM4Rawデータセットを用いて微調整された。 Fr'echet Inception Distance (FID) やMulti-Scale Structure similarity (MS-SSIM) などの測定値を用いて微調整モデルの性能を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study explores the use of text-prompted MRI image generation with the Stable Diffusion (SD) model to address challenges in acquiring real MRI datasets, such as high costs, limited rare case samples, and privacy concerns. The SD model, pre-trained on natural images, was fine-tuned using the 3T fastMRI dataset and the 0.3T M4Raw dataset, with the goal of generating brain T1, T2, and FLAIR images across different magnetic field strengths. The performance of the fine-tuned model was evaluated using quantitative metrics,including Fr\'echet Inception Distance (FID) and Multi-Scale Structural Similarity (MS-SSIM), showing improvements in image quality and semantic consistency with the text prompts. To further evaluate the model's potential, a simple classification task was carried out using a small 0.35T MRI dataset, demonstrating that the synthetic images generated by the fine-tuned SD model can effectively augment training datasets and improve the performance of MRI constrast classification tasks. Overall, our findings suggest that text-prompted MRI image generation is feasible and can serve as a useful tool for medical AI applications.
• Abstract（参考訳）: 本研究は,高コスト,限られた稀な症例サンプル,プライバシー上の懸念など,実際のMRIデータセットを取得する際の課題に対処するために,安定拡散(SD)モデルを用いたテキストプロンプトMRI画像生成について検討する。 自然画像に基づいて事前トレーニングされたSDモデルは、3Tの高速MRIデータセットと0.3TのM4Rawデータセットを使用して微調整され、異なる磁場強度で脳のT1、T2、FLAIR画像を生成することを目的としている。 Fr'echet Inception Distance (FID) やMulti-Scale Structure similarity (MS-SSIM) などの定量的指標を用いて、微調整モデルの性能を評価し、画像品質とテキストプロンプトとのセマンティック一貫性の向上を示した。 モデルの有効性をさらに評価するために、小さな0.35T MRIデータセットを用いて単純な分類タスクを行い、微調整SDモデルによって生成された合成画像がトレーニングデータセットを効果的に増強し、MRIコンストラスト分類タスクの性能を向上させることを実証した。 以上の結果から, テキストプロンプトMRI画像生成が実現可能であり, 医療用AIアプリケーションに有用なツールとして有用であることが示唆された。

関連論文リスト

• ZECO: ZeroFusion Guided 3D MRI Conditional Generation [11.645873358288648]
  ZECOはZeroFusionでガイドされた3D MRI条件生成フレームワークである。 対応する3Dセグメンテーションマスクを備えた高忠実度MRI画像の抽出、圧縮、生成を行う。 ZECOは、脳MRIデータセットの定量的および質的な評価において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-03-24T00:04:52Z)
• Pretext Task Adversarial Learning for Unpaired Low-field to Ultra High-field MRI Synthesis [5.998097558786736]
  低磁場MRIは、高磁場MRIと比較して、信号対雑音比(SNR)と空間分解能の低下に悩まされることが多い。 低磁場MRIデータからの高磁場MRI合成のためのPretext Task Adversarial (PTA) 学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-07T11:28:55Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• MRI Reconstruction with Regularized 3D Diffusion Model (R3DM) [2.842800539489865]
  正規化3次元拡散モデルと最適化手法を組み合わせた3次元MRI再構成法を提案する。 拡散に基づく事前処理を取り入れることで,画像品質の向上,ノイズの低減,3次元MRI再構成の全体的な忠実度の向上を実現した。
  論文  参考訳（メタデータ） (2024-12-25T00:55:05Z)
• MRGen: Segmentation Data Engine For Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では、生成モデルを利用してトレーニングデータを合成し、未表現のモダリティに対するセグメンテーションモデルを訓練する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Coordinate-Based Neural Representation Enabling Zero-Shot Learning for 3D Multiparametric Quantitative MRI [4.707353256136099]
  我々は,同時マルチパラメトリックqMRIのためのデータ取得と教師なし再構成を含む,革新的なイメージング手法であるSUMMITを提案する。 qMRI再構成のための教師なしアプローチは、様々な医用画像モダリティに適用可能な、新しいゼロショット学習パラダイムも導入する。
  論文  参考訳（メタデータ） (2024-10-02T14:13:06Z)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs [0.0]
  本研究では,3次元ResNetをトレーニングすることで脳MRI品質を評価するための,ディープラーニングに基づく新しい非参照手法を提案する。 このネットワークは、MRIスキャンでよく見られる6つの異なるアーティファクトで品質を推定するように設計されている。 その結果、歪みを正確に推定し、複数の視点から画質を反映する性能が向上した。
  論文  参考訳（メタデータ） (2024-07-20T22:05:30Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)

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。