論文の概要: SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model

• arxiv url: http://arxiv.org/abs/2509.03267v1
• Date: Wed, 03 Sep 2025 12:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.515725
• Title: SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model
• Title（参考訳）: SynBT : 3次元拡散モデルによる乳腺腫瘍切除のための高品質な腫瘍合成
• Authors: Hongxu Yang, Edina Timko, Levente Lippenszky, Vanda Czipczer, Lehel Ferenczi,
• Abstract要約: 造影MRI画像において高画質の乳腺腫瘍を発生する3次元医療拡散モデル(SynBT)を提案する。 提案モデルは,高分解能MRIをコンパクトな潜在空間に圧縮できるパッチ・ツー・ボリュームオートエンコーダで構成されている。 提案手法は, 高品質な腫瘍合成法により, 共通セグメンテーションモデルを容易に構築できることを実証した。
• 参考スコア（独自算出の注目度）: 0.15833270109954134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic tumors in medical images offer controllable characteristics that facilitate the training of machine learning models, leading to an improved segmentation performance. However, the existing methods of tumor synthesis yield suboptimal performances when tumor occupies a large spatial volume, such as breast tumor segmentation in MRI with a large field-of-view (FOV), while commonly used tumor generation methods are based on small patches. In this paper, we propose a 3D medical diffusion model, called SynBT, to generate high-quality breast tumor (BT) in contrast-enhanced MRI images. The proposed model consists of a patch-to-volume autoencoder, which is able to compress the high-resolution MRIs into compact latent space, while preserving the resolution of volumes with large FOV. Using the obtained latent space feature vector, a mask-conditioned diffusion model is used to synthesize breast tumors within selected regions of breast tissue, resulting in realistic tumor appearances. We evaluated the proposed method for a tumor segmentation task, which demonstrated the proposed high-quality tumor synthesis method can facilitate the common segmentation models with performance improvement of 2-3% Dice Score on a large public dataset, and therefore provides benefits for tumor segmentation in MRI images.
• Abstract（参考訳）: 医用画像の合成腫瘍は、機械学習モデルのトレーニングを容易にする制御可能な特性を提供し、セグメンテーション性能が向上する。 しかし, 従来の腫瘍合成法では, 腫瘍が大視野(FOV)を有するMRIの乳房腫瘍分画などの大きな空間体積を占める場合, 腫瘍生成法は小さなパッチをベースとしており, 腫瘍合成法は, 腫瘍形成法として最適であった。 本稿では,SynBTと呼ばれる医用3次元拡散モデルを提案し,造影MRI画像で高画質の乳腺腫瘍(BT)を発生させる。 提案モデルでは,大容量FOVでボリュームの解像度を保ちながら,高分解能MRIをコンパクトな潜在空間に圧縮できるパッチ・ツー・ボリュームオートエンコーダを用いて構成する。 得られた潜伏空間特徴ベクトルを用いて、乳房組織選択領域内の乳房腫瘍を合成するためにマスク条件拡散モデルを用いて、現実的な腫瘍の出現をもたらす。 提案手法を評価したところ,提案手法は,大規模な公開データセット上での2-3%のDice Scoreの性能向上を図り,MRI画像における腫瘍のセグメンテーションに有用であることを示す。

関連論文リスト

• Brain Tumor Segmentation in MRI Images with 3D U-Net and Contextual Transformer [0.5033155053523042]
  本研究では,3D-UNetモデルとコンテキストトランスフォーマ(CoT)を併用したMRIにおける脳腫瘍の正確なセグメンテーションのための改良手法を提案する。 提案モデルでは,CoTから腫瘍の質量特性を同期させ,特徴抽出を相互に強化し,詳細な腫瘍の質量構造を正確に把握する。 いくつかの実験結果から,提案手法の優れたセグメンテーション性能が得られた。
  論文  参考訳（メタデータ） (2024-07-11T13:04:20Z)
• Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
  本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。 畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。 その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
  論文  参考訳（メタデータ） (2024-05-07T05:55:50Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Progressive Dual Priori Network for Generalized Breast Tumor Segmentation [5.003997324423131]
  DCE-MRI画像から乳腺腫瘍を分離するプログレッシブデュアルプリオリネットワーク(PDPNet)を提案する。 その結果, PDPNetのDSCとHD95は, それぞれ5.13%, 7.58%改善した。
  論文  参考訳（メタデータ） (2023-10-20T15:12:06Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint [19.094164029068462]
  マルチモーダルMR画像に基づいて脳腫瘍を頑健に分節する新しいマルチモーダル腫瘍セグメンテーションネットワーク(MMTSN)を開発した。 マルチモーダル脳腫瘍セグメンテーションチャレンジ2020(BraTs 2020)の試験セットについて検討した。
  論文  参考訳（メタデータ） (2020-10-29T14:51:10Z)
• ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image Segmentation [0.0]
  本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。 ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
  論文  参考訳（メタデータ） (2020-09-27T16:42:59Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。