論文の概要: Mitigating Multi-Sequence 3D Prostate MRI Data Scarcity through Domain Adaptation using Locally-Trained Latent Diffusion Models for Prostate Cancer Detection

• arxiv url: http://arxiv.org/abs/2507.06384v1
• Date: Tue, 08 Jul 2025 20:38:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.387028
• Title: Mitigating Multi-Sequence 3D Prostate MRI Data Scarcity through Domain Adaptation using Locally-Trained Latent Diffusion Models for Prostate Cancer Detection
• Title（参考訳）: 前立腺癌検出のための局所訓練潜在拡散モデルを用いた領域適応による多次元前立腺MRIデータの移行
• Authors: Emerson P. Grabke, Babak Taati, Masoom A. Haider,
• Abstract要約: 潜在拡散モデル(LDM)は、医療画像解釈のための機械学習開発に影響を与えるデータの不足を軽減できる。 CCELLA++は,これらの限界に対処し,臨床的有用性を向上させる。
• 参考スコア（独自算出の注目度）: 1.6508709227918446
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: Latent diffusion models (LDMs) could mitigate data scarcity challenges affecting machine learning development for medical image interpretation. The recent CCELLA LDM improved prostate cancer detection performance using synthetic MRI for classifier training but was limited to the axial T2-weighted (AxT2) sequence, did not investigate inter-institutional domain shift, and prioritized radiology over histopathology outcomes. We propose CCELLA++ to address these limitations and improve clinical utility. Methods: CCELLA++ expands CCELLA for simultaneous biparametric prostate MRI (bpMRI) generation, including the AxT2, high b-value diffusion series (HighB) and apparent diffusion coefficient map (ADC). Domain adaptation was investigated by pretraining classifiers on real or LDM-generated synthetic data from an internal institution, followed with fine-tuning on progressively smaller fractions of an out-of-distribution, external dataset. Results: CCELLA++ improved 3D FID for HighB and ADC but not AxT2 (0.013, 0.012, 0.063 respectively) sequences compared to CCELLA (0.060). Classifier pretraining with CCELLA++ bpMRI outperformed real bpMRI in AP and AUC for all domain adaptation scenarios. CCELLA++ pretraining achieved highest classifier performance below 50% (n=665) external dataset volume. Conclusion: Synthetic bpMRI generated by our method can improve downstream classifier generalization and performance beyond real bpMRI or CCELLA-generated AxT2-only images. Future work should seek to quantify medical image sample quality, balance multi-sequence LDM training, and condition the LDM with additional information. Significance: The proposed CCELLA++ LDM can generate synthetic bpMRI that outperforms real data for domain adaptation with a limited target institution dataset. Our code is available at https://github.com/grabkeem/CCELLA-plus-plus
• Abstract（参考訳）: 目的:潜在拡散モデル(LDM)は、医療画像解釈のための機械学習開発に影響を与えるデータの不足を軽減できる。 最近のCCELLA LDMでは, 分類器訓練に合成MRIを用いた前立腺癌検出能が向上したが, 軸性T2強調(AxT2)配列に制限され, 施設間ドメインシフトは調査されず, 病理組織学的結果よりも放射線学が優先された。 CCELLA++は,これらの限界に対処し,臨床的有用性を向上させる。 CCELLA++は、AxT2、高b値拡散系列(HighB)、見かけ拡散係数マップ(ADC)を含む、同時2パラメータ前立腺MRI(bpMRI)生成のためにCCELLAを拡張する。 ドメイン適応は, 内部機関から生成した実データまたはLCM合成データに対して事前学習した分類器を用いて検討し, その後, 外部データセットの段階的に小さな分画を微調整した。 結果: CCELLA++ は HighB および ADC の 3D FID を改善したが,AxT2 (0.013, 0.012, 0.063) の配列は CCELLA (0.060) と比較して改善しなかった。 CCELLA++ bpMRIで事前学習した分類器は、すべてのドメイン適応シナリオにおいて、APとAUCで実際のbpMRIより優れていた。 CCELLA++事前トレーニングは、50%(n=665)の外部データセットボリュームよりも高い分類器性能を達成した。 結論:本手法により生成された合成bpMRIは,実bpMRIやCCELLAによるAxT2のみの画像よりも,下流分類器の一般化と性能を向上させることができる。 今後は、医用画像のサンプル品質の定量化、マルチシーケンス LDM トレーニングのバランス、および追加情報による LDM の条件化を図る必要がある。 意義:提案したCCELLA++ LDMは、限られた対象機関データセットを用いて、ドメイン適応のための実際のデータより優れた合成bpMRIを生成することができる。 私たちのコードはhttps://github.com/grabkeem/CCELLA-plus-plusで利用可能です。

関連論文リスト

• Prompt-Guided Latent Diffusion with Predictive Class Conditioning for 3D Prostate MRI Generation [1.6508709227918446]
  潜在拡散モデル(LDM)は、医療画像の機械学習開発に影響を与えるデータの不足を緩和する可能性がある。 これらの制約に対処する新しい LDM 条件付け手法を提案する。 本手法は,3次元前立腺MRIデータセットの3次元FIDスコアが0.025であることを示す。
  論文  参考訳（メタデータ） (2025-06-11T23:12:48Z)
• 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)
• UKAN-EP: Enhancing U-KAN with Efficient Attention and Pyramid Aggregation for 3D Multi-Modal MRI Brain Tumor Segmentation [1.7582682214679273]
  UKAN-EPは、マルチモーダルMRI脳腫瘍セグメンテーションのためのオリジナルの2D U-KANモデルの新規な3D拡張である。 UKAN-EPは、計算資源を著しく少なくしながら、より優れたセグメンテーション性能を達成する。
  論文  参考訳（メタデータ） (2024-08-01T04:27:10Z)
• ssVERDICT: Self-Supervised VERDICT-MRI for Enhanced Prostate Tumour Characterisation [2.755232740505053]
  トレーニングデータなしでVERDICT推定パラメータマップを適合させる自己教師型ニューラルネットワーク。 本研究では,SsVERDICTの性能を拡散MRIモデルに適合する2つの確立されたベースライン法と比較する。
  論文  参考訳（メタデータ） (2023-09-12T14:31:33Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• A Novel Autoencoders-LSTM Model for Stroke Outcome Prediction using Multimodal MRI Data [1.4392882343006919]
  多モード磁気共鳴画像(MRI)を用いた脳卒中予後予測のための機械学習モデルの提案 提案モデルは,2つのシリアルレベルのオートエンコーダ(AE)から構成される。 次に、LSTMネットワークによって、患者のマルチモーダルな特徴のシーケンスを使用して、結果のスコアを予測する。
  論文  参考訳（メタデータ） (2023-03-16T17:00:45Z)
• Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
  我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
  論文  参考訳（メタデータ） (2021-11-01T15:31:32Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。