論文の概要: Generating Synthetic Contrast-Enhanced Chest CT Images from Non-Contrast Scans Using Slice-Consistent Brownian Bridge Diffusion Network

• arxiv url: http://arxiv.org/abs/2508.16897v1
• Date: Sat, 23 Aug 2025 05:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.243222
• Title: Generating Synthetic Contrast-Enhanced Chest CT Images from Non-Contrast Scans Using Slice-Consistent Brownian Bridge Diffusion Network
• Title（参考訳）: Slice-Consistent Brownian Bridge Diffusion Network を用いた非コントラストスカンからの合成コントラスト強調胸部CT画像の生成
• Authors: Pouya Shiri, Xin Yi, Neel P. Mistry, Samaneh Javadinia, Mohammad Chegini, Seok-Bum Ko, Amirali Baniasadi, Scott J. Adams,
• Abstract要約: 非コントラストCTスキャンからコントラスト強調画像の合成のための最初のブリッジ拡散法を提案する。 従来のスライス法とは異なり,本フレームワークは高解像度2D方式で動作しながら,完全な3D解剖学的整合性を保っている。
• 参考スコア（独自算出の注目度）: 4.663250708503928
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Contrast-enhanced computed tomography (CT) imaging is essential for diagnosing and monitoring thoracic diseases, including aortic pathologies. However, contrast agents pose risks such as nephrotoxicity and allergic-like reactions. The ability to generate high-fidelity synthetic contrast-enhanced CT angiography (CTA) images without contrast administration would be transformative, enhancing patient safety and accessibility while reducing healthcare costs. In this study, we propose the first bridge diffusion-based solution for synthesizing contrast-enhanced CTA images from non-contrast CT scans. Our approach builds on the Slice-Consistent Brownian Bridge Diffusion Model (SC-BBDM), leveraging its ability to model complex mappings while maintaining consistency across slices. Unlike conventional slice-wise synthesis methods, our framework preserves full 3D anatomical integrity while operating in a high-resolution 2D fashion, allowing seamless volumetric interpretation under a low memory budget. To ensure robust spatial alignment, we implement a comprehensive preprocessing pipeline that includes resampling, registration using the Symmetric Normalization method, and a sophisticated dilated segmentation mask to extract the aorta and surrounding structures. We create two datasets from the Coltea-Lung dataset: one containing only the aorta and another including both the aorta and heart, enabling a detailed analysis of anatomical context. We compare our approach against baseline methods on both datasets, demonstrating its effectiveness in preserving vascular structures while enhancing contrast fidelity.
• Abstract（参考訳）: 造影CT(Contrast-enhanced Computed Tomography)は,大動脈疾患を含む胸部疾患の診断とモニタリングに重要である。 しかし、コントラスト剤はネフロ毒性やアレルギー様反応などのリスクを引き起こす。 造影CTアンギオグラフィー(CTA)画像の高忠実度化は, 医療費を削減しつつ, 患者の安全性とアクセシビリティを高める効果が期待できる。 本研究では,非コントラストCTスキャンからコントラスト強調CTA画像を合成する最初のブリッジ拡散法を提案する。 Slice-Consistent Brownian Bridge Diffusion Model (SC-BBDM) に基づいており、スライス間の一貫性を維持しながら複雑なマッピングをモデル化する能力を活用している。 従来のスライスワイズ合成法とは異なり,本フレームワークは高解像度2D方式で動作しながら,完全な3次元解剖学的整合性を保ち,低メモリ予算下でのシームレスなボリューム解釈を可能にする。 頑健な空間アライメントを確保するため,リサンプリング,対称正規化法を用いた登録,大動脈とその周辺構造を抽出する高度拡張セグメンテーションマスクを含む包括的前処理パイプラインを実装した。 Coltea-Lungデータセットから、大動脈と心臓の両方を含む大動脈のみを含む2つのデータセットを作成し、解剖学的文脈の詳細な分析を可能にした。 両データセットのベースライン法に対するアプローチを比較し,コントラストの忠実度を高めつつ,血管構造の保存効果を示した。

関連論文リスト

• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
  これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。 コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。 各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2024-03-06T08:35:29Z)
• Anatomically constrained CT image translation for heterogeneous blood vessel segmentation [3.88838725116957]
  造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。 放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。 CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。 本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
  論文  参考訳（メタデータ） (2022-10-04T16:14:49Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• A Deep learning Approach to Generate Contrast-Enhanced Computerised Tomography Angiography without the Use of Intravenous Contrast Agents [2.2840399926157806]
  我々は,この非コントラスト変換タスク(NC2C)に対して,2次元サイクル生成適応ネットワークを訓練した。 このパイプラインは、非コントラストCT画像において、視覚的に非コヒーレントな軟組織領域を区別することができる。
  論文  参考訳（メタデータ） (2020-03-02T22:20:08Z)
• A Deep Learning Approach to Automate High-Resolution Blood Vessel Reconstruction on Computerized Tomography Images With or Without the Use of Contrast Agent [2.1897279580410896]
  拡張性大動脈瘤嚢内の大動脈壁に付着した血栓または血栓が70～80%の症例に認められる。 我々は,病的血管の高スループットパイプラインを構築するため,注意を喚起する改良されたU-Netアーキテクチャを実装した。 この抽出ボリュームは、現在の動脈瘤疾患管理の方法の標準化に使用することができ、その後の複雑な幾何学的および形態学的解析の基礎を定めている。
  論文  参考訳（メタデータ） (2020-02-09T22:32:37Z)

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。