論文の概要: Tumor Synthesis conditioned on Radiomics

• arxiv url: http://arxiv.org/abs/2509.24182v1
• Date: Mon, 29 Sep 2025 02:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.68409
• Title: Tumor Synthesis conditioned on Radiomics
• Title（参考訳）: 放射線照射による腫瘍合成
• Authors: Jonghun Kim, Inye Na, Eun Sook Ko, Hyunjin Park,
• Abstract要約: 放射能特性を生成条件として利用する腫瘍発生モデルを提案する。 本モデルでは,ガンモデルを用いて腫瘍マスクを生成,拡散モデルを用いて放射線学的特徴に基づく腫瘍テクスチャを生成する。 本手法では, 任意の位置において, サイズ, 形状, テクスチャなど, ユーザが特定した放射線学的特徴に応じて, 腫瘍画像を生成することができる。
• 参考スコア（独自算出の注目度）: 1.3521165953335823
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Due to privacy concerns, obtaining large datasets is challenging in medical image analysis, especially with 3D modalities like Computed Tomography (CT) and Magnetic Resonance Imaging (MRI). Existing generative models, developed to address this issue, often face limitations in output diversity and thus cannot accurately represent 3D medical images. We propose a tumor-generation model that utilizes radiomics features as generative conditions. Radiomics features are high-dimensional handcrafted semantic features that are biologically well-grounded and thus are good candidates for conditioning. Our model employs a GAN-based model to generate tumor masks and a diffusion-based approach to generate tumor texture conditioned on radiomics features. Our method allows the user to generate tumor images according to user-specified radiomics features such as size, shape, and texture at an arbitrary location. This enables the physicians to easily visualize tumor images to better understand tumors according to changing radiomics features. Our approach allows for the removal, manipulation, and repositioning of tumors, generating various tumor types in different scenarios. The model has been tested on tumors in four different organs (kidney, lung, breast, and brain) across CT and MRI. The synthesized images are shown to effectively aid in training for downstream tasks and their authenticity was also evaluated through expert evaluations. Our method has potential usage in treatment planning with diverse synthesized tumors.
• Abstract（参考訳）: 特にCT(Computed Tomography)やMRI(Magnetic Resonance Imaging)といった3Dモダリティでは、プライバシー上の懸念から、医療画像解析において大きなデータセットを取得することは困難である。 既存の生成モデルは、この問題に対処するために開発され、しばしば出力の多様性の限界に直面しているため、3D医療画像の正確な表現はできない。 放射能特性を生成条件として利用する腫瘍発生モデルを提案する。 ラジオミクスの特徴は、生物学的によく理解されており、コンディショニングのよい候補である、高次元の手作り意味的特徴である。 本モデルでは,ガンモデルを用いて腫瘍マスクを生成,拡散モデルを用いて放射線学的特徴に基づく腫瘍テクスチャを生成する。 本手法では, 任意の位置において, サイズ, 形状, テクスチャなど, ユーザが特定した放射線学的特徴に応じて, 腫瘍画像を生成することができる。 これにより、医師は容易に腫瘍像を視覚化し、放射線学的特徴の変化に応じて腫瘍をよりよく理解することができる。 本手法は,腫瘍の摘出,操作,再配置を可能にし,異なるシナリオで様々な腫瘍を発生させる。 このモデルは、CTとMRIで4つの異なる臓器(腎臓、肺、乳房、脳)の腫瘍でテストされている。 合成画像は下流作業の訓練を効果的に支援し,その信頼性を専門家評価により評価した。 本手法は多彩な合成腫瘍による治療計画に有用である。

関連論文リスト

• SynBT: High-quality Tumor Synthesis for Breast Tumor Segmentation by 3D Diffusion Model [0.15833270109954134]
  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。
  論文  参考訳（メタデータ） (2025-09-03T12:33:54Z)
• RadiomicsFill-Mammo: Synthetic Mammogram Mass Manipulation with Radiomics Features [3.0015555136149175]
  そこで,RadiomicsFill-Mammoは,特定の放射能特性を反映した現実的なマンモグラム質量像を生成する革新的な技術である。 その結果,RadiomicsFill-Mammoは様々な放射線条件に基づいて,多彩で現実的な腫瘍像を効果的に生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-08T07:33:52Z)
• From Pixel to Cancer: Cellular Automata in Computed Tomography [12.524228287083888]
  腫瘍合成は、医療画像に人工腫瘍を作ろうとする。 本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。 我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
  論文  参考訳（メタデータ） (2024-03-11T06:46:31Z)
• 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)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。