論文の概要: TumorGen: Boundary-Aware Tumor-Mask Synthesis with Rectified Flow Matching
- arxiv url: http://arxiv.org/abs/2505.24687v1
- Date: Fri, 30 May 2025 15:11:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-02 19:47:53.023249
- Title: TumorGen: Boundary-Aware Tumor-Mask Synthesis with Rectified Flow Matching
- Title（参考訳）: tumorGen: 境界認識型腫瘍マスク合成法
- Authors: Shengyuan Liu, Wenting Chen, Boyun Zheng, Wentao Pan, Xiang Li, Yixuan Yuan,
- Abstract要約: tumorGenは、3D腫瘍を効率よく合成するためのリクティファイドフローマッチングを用いた新しい境界認識型腫瘍マスク合成である。
粗くきめ細かな空間制約を通した病理的精度を維持しながら、サンプリングステップを少なくすることで、計算効率を著しく向上する。
- 参考スコア（独自算出の注目度）: 25.680678240062857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tumor data synthesis offers a promising solution to the shortage of annotated medical datasets. However, current approaches either limit tumor diversity by using predefined masks or employ computationally expensive two-stage processes with multiple denoising steps, causing computational inefficiency. Additionally, these methods typically rely on binary masks that fail to capture the gradual transitions characteristic of tumor boundaries. We present TumorGen, a novel Boundary-Aware Tumor-Mask Synthesis with Rectified Flow Matching for efficient 3D tumor synthesis with three key components: a Boundary-Aware Pseudo Mask Generation module that replaces strict binary masks with flexible bounding boxes; a Spatial-Constraint Vector Field Estimator that simultaneously synthesizes tumor latents and masks using rectified flow matching to ensure computational efficiency; and a VAE-guided mask refiner that enhances boundary realism. TumorGen significantly improves computational efficiency by requiring fewer sampling steps while maintaining pathological accuracy through coarse and fine-grained spatial constraints. Experimental results demonstrate TumorGen's superior performance over existing tumor synthesis methods in both efficiency and realism, offering a valuable contribution to AI-driven cancer diagnostics.
- Abstract（参考訳）: 腫瘍データ合成は、注釈付き医療データセットの不足に対する有望な解決策を提供する。
しかし、現在のアプローチでは、事前に定義されたマスクを使用することで腫瘍の多様性を制限するか、複数のデノナイジングステップを持つ計算コストの高い2段階プロセスを採用するかで、計算の効率が低下する。
さらに、これらの手法は一般的に、腫瘍の境界に特徴的な段階的な遷移を捉えないバイナリマスクに依存している。
境界認識型偽マスク生成モジュールは、厳密なバイナリマスクをフレキシブルなバウンディングボックスに置き換えるものであり、空間制約ベクトル場推定器は、整流マッチングを用いて腫瘍を同時に合成し、計算効率を確保し、境界リアリズムを高める。
tumorGenは、粗くきめ細かな空間制約による病理的精度を維持しながらサンプリングステップを少なくすることで、計算効率を著しく改善する。
実験の結果,既存の腫瘍合成法よりも効率とリアリズムが優れており,AIによるがん診断に有用であることが示された。
関連論文リスト
- MAST-Pro: Dynamic Mixture-of-Experts for Adaptive Segmentation of Pan-Tumors with Knowledge-Driven Prompts [54.915060471994686]
MAST-Proは,ダイナミックなMixture-of-Experts(D-MoE)とパン腫瘍セグメンテーションのための知識駆動プロンプトを統合した新しいフレームワークである。
具体的には、テキストと解剖学的プロンプトは、腫瘍表現学習を導くドメイン固有の事前情報を提供し、D-MoEは、ジェネリックと腫瘍固有の特徴学習のバランスをとる専門家を動的に選択する。
マルチ解剖学的腫瘍データセットの実験では、MAST-Proは最先端のアプローチよりも優れており、トレーニング可能なパラメータを91.04%削減し、平均改善の5.20%を達成している。
論文 参考訳（メタデータ） (2025-03-18T15:39:44Z) - Block Graph Neural Networks for tumor heterogeneity prediction [0.3611754783778107]
正確な腫瘍分類は有効な治療法の選択に不可欠である。
標準腫瘍グレーディングは、細胞分化に基づく腫瘍を分類するが、スタンドアロンの処置としては推奨されない。
腫瘍の進化をシミュレートし,腫瘍分類のための人工データセットを生成する数学的モデルを構築することを提案する。
論文 参考訳（メタデータ） (2025-02-08T05:48:09Z) - SmoothSegNet: A Global-Local Framework for Liver Tumor Segmentation with Clinical KnowledgeInformed Label Smoothing [17.798774864007505]
肝がんは世界中で死亡率の高い原因である。
正確な肝腫瘍の分節は、腫瘍の異種性のため、依然として困難である。
SmoothSegNetは、これらの課題に3つの重要な設計で対処する、新しいディープラーニングフレームワークである。
論文 参考訳（メタデータ） (2024-10-13T20:52:25Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。
この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。
構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
論文 参考訳（メタデータ） (2024-06-08T09:53:45Z) - FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。
合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。
FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
論文 参考訳（メタデータ） (2024-06-03T12:27:29Z) - Attention-Enhanced Hybrid Feature Aggregation Network for 3D Brain Tumor Segmentation [0.9897828700959131]
グリオ芽腫は、早期診断と迅速な介入を必要とする非常に攻撃的で悪性な脳腫瘍である。
この課題に対処するため、人工知能(AI)が主導する医療のアプローチは、脳腫瘍の効率的な診断と評価に関心を寄せている。
提案手法では,マルチスケール,注意誘導型,ハイブリッドU-Net形状モデルであるGLIMSを用いて,脳腫瘍の3次元セグメント化を行う。
論文 参考訳（メタデータ） (2024-03-15T00:52:17Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳（メタデータ） (2024-01-17T07:54:49Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Sequential Learning on Liver Tumor Boundary Semantics and Prognostic
Biomarker Mining [73.23533486979166]
腫瘍境界に対する毛細血管浸潤は予後指標であるmicrovascular invasion (mvi) と臨床的に相関することが証明されている。
本論文では,タスクを2つのコンポーネントに分離する,第1および新規な計算フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-09T01:43:05Z)
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。