論文の概要: Contrastive Anatomy-Contrast Disentanglement: A Domain-General MRI Harmonization Method

• arxiv url: http://arxiv.org/abs/2509.06592v1
• Date: Mon, 08 Sep 2025 12:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.108013
• Title: Contrastive Anatomy-Contrast Disentanglement: A Domain-General MRI Harmonization Method
• Title（参考訳）: Contrastive Anatomy-Contrast Disentanglement: A Domain-General MRI Harmonization Method
• Authors: Daniel Scholz, Ayhan Can Erdur, Robbie Holland, Viktoria Ehm, Jan C. Peeken, Benedikt Wiestler, Daniel Rueckert,
• Abstract要約: 本研究では, コントラスト損失とドメインに依存しないコントラスト増大を伴う条件付き拡散オートエンコーダを用いて, MRイメージをスキャナ間で調和させる手法を提案する。 本手法は, 単一の基準画像から脳MRIを可能にし, 走行対象データに対して+7%のPSNR改善を達成し, 年齢回帰を+18%改善する。
• 参考スコア（独自算出の注目度）: 18.50120167286231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) is an invaluable tool for clinical and research applications. Yet, variations in scanners and acquisition parameters cause inconsistencies in image contrast, hindering data comparability and reproducibility across datasets and clinical studies. Existing scanner harmonization methods, designed to address this challenge, face limitations, such as requiring traveling subjects or struggling to generalize to unseen domains. We propose a novel approach using a conditioned diffusion autoencoder with a contrastive loss and domain-agnostic contrast augmentation to harmonize MR images across scanners while preserving subject-specific anatomy. Our method enables brain MRI synthesis from a single reference image. It outperforms baseline techniques, achieving a +7% PSNR improvement on a traveling subjects dataset and +18% improvement on age regression in unseen. Our model provides robust, effective harmonization of brain MRIs to target scanners without requiring fine-tuning. This advancement promises to enhance comparability, reproducibility, and generalizability in multi-site and longitudinal clinical studies, ultimately contributing to improved healthcare outcomes.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、臨床および研究応用にとって貴重なツールである。 しかし、スキャナーと取得パラメータのバリエーションは、画像コントラストの不整合を引き起こし、データセットや臨床研究間のデータの互換性と再現性を阻害する。 既存のスキャナハーモニゼーション手法は、この課題に対処するために設計されており、旅行対象の要求や、目に見えない領域への一般化に苦労するといった制限に直面している。 本研究では,コントラスト損失とドメインに依存しないコントラスト増大を伴う条件付き拡散オートエンコーダを用いて,被検体固有の解剖を保ちながら,スキャナー間でMR画像の調和を図る手法を提案する。 本手法は単一の参照画像から脳MRI合成を可能にする。 ベースラインの手法よりも優れており、旅行対象のデータセットで+7%のPSNR改善、観察不能の年齢回帰では+18%の改善を実現している。 我々のモデルは、微調整を必要とせず、ターゲットスキャナーに対する脳MRIの堅牢で効果的な調和を提供する。 この進歩は、多施設および縦断臨床研究における可視性、再現性、一般化性を高めることを約束し、最終的に医療結果の改善に寄与する。

関連論文リスト

• DISARM++: Beyond scanner-free harmonization [0.0]
  異なるスキャナー間でのT1強調MR画像の調和は、ニューロイメージング研究における一貫性の確保に不可欠である。 本研究は,抽出した特徴が下流解析に本質的に信頼性を保ち続けることを保証するために,特徴の標準化を超えて,画像調和の新たなアプローチを提案する。 本手法は,(1) イメージをスキャナのない空間にマッピングすることで,すべてのスキャナに一様に見えるようにし,(2) イメージをモデルトレーニングに使用する特定のスキャナの領域に変換し,その特徴を埋め込むという2つの方法を実現する。
  論文  参考訳（メタデータ） (2025-05-06T17:36:49Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• 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)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with Feature Extraction [3.2088888904556123]
  合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。 提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
  論文  参考訳（メタデータ） (2023-10-31T16:39:56Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)

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。