論文の概要: An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation

• arxiv url: http://arxiv.org/abs/2509.24194v1
• Date: Mon, 29 Sep 2025 02:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.692378
• Title: An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation
• Title（参考訳）: T1コントラスト強調MRI生成のための高効率3次元潜時拡散モデル
• Authors: Zach Eidex, Mojtaba Safari, Jie Ding, Richard Qiu, Justin Roper, David Yu, Hui-Kuo Shu, Zhen Tian, Hui Mao, Xiaofeng Yang,
• Abstract要約: ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 7.487974687364868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Gadolinium-based contrast agents (GBCAs) are commonly employed with T1w MRI to enhance lesion visualization but are restricted in patients at risk of nephrogenic systemic fibrosis and variations in GBCA administration can introduce imaging inconsistencies. This study develops an efficient 3D deep-learning framework to generate T1-contrast enhanced images (T1C) from pre-contrast multiparametric MRI. Approach: We propose the 3D latent rectified flow (T1C-RFlow) model for generating high-quality T1C images. First, T1w and T2-FLAIR images are input into a pretrained autoencoder to acquire an efficient latent space representation. A rectified flow diffusion model is then trained in this latent space representation. The T1C-RFlow model was trained on a curated dataset comprised of the BraTS 2024 glioma (GLI; 1480 patients), meningioma (MEN; 1141 patients), and metastases (MET; 1475 patients) datasets. Selected patients were split into train (N=2860), validation (N=612), and test (N=614) sets. Results: Both qualitative and quantitative results demonstrate that the T1C-RFlow model outperforms benchmark 3D models (pix2pix, DDPM, Diffusion Transformers (DiT-3D)) trained in the same latent space. T1C-RFlow achieved the following metrics - GLI: NMSE 0.044 +/- 0.047, SSIM 0.935 +/- 0.025; MEN: NMSE 0.046 +/- 0.029, SSIM 0.937 +/- 0.021; MET: NMSE 0.098 +/- 0.088, SSIM 0.905 +/- 0.082. T1C-RFlow had the best tumor reconstruction performance and significantly faster denoising times (6.9 s/volume, 200 steps) than conventional DDPM models in both latent space (37.7s, 1000 steps) and patch-based in image space (4.3 hr/volume). Significance: Our proposed method generates synthetic T1C images that closely resemble ground truth T1C in much less time than previous diffusion models. Further development may permit a practical method for contrast-agent-free MRI for brain tumors.
• Abstract（参考訳）: 目的:ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者では制限され、GBCA投与のばらつきは画像の不整合をもたらす可能性がある。 本研究では,T1コントラスト強調画像(T1C)を前コントラストマルチパラメトリックMRIから生成する,効率的な3次元ディープラーニングフレームワークを開発した。 アプローチ: 高品質なT1C画像を生成するための3次元潜在整流(T1C-RFlow)モデルを提案する。 まず、T1wとT2-FLAIRの画像を事前訓練されたオートエンコーダに入力し、効率的な潜在空間表現を取得する。 整流拡散モデルがこの潜在空間表現で訓練される。 T1C-RFlowモデルはBraTS 2024グリオーマ(GLI:1480例)、髄膜腫(MEN; 1141例)、転移(MET; 1475例)からなる治療データセットを用いて訓練した。 選択した患者は列車(N=2860)、検証(N=612)、テスト(N=614)に分けた。 結果: T1C-RFlowモデルは, 同一潜伏空間でトレーニングした3Dモデル(pix2pix, DDPM, Diffusion Transformers (DiT-3D))より優れていることを示す。 GLI: NMSE 0.044 +/- 0.047, SSIM 0.935 +/- 0.025; MEN: NMSE 0.046 +/- 0.029, SSIM 0.937 +/- 0.021; MET: NMSE 0.098 +/- 0.088, SSIM 0.905 +/- 0.082。 T1C-RFlowは最も優れた腫瘍再建性能を有し、従来のDDPMモデル(37.7秒、1000段)とパッチベースの画像空間(4.3 hr/volume)よりはるかに高速(6.9 s/volume、200段)であった。 意義: 提案手法は, 従来の拡散モデルよりもはるかに少ない時間で, 地上の真理T1Cによく似た合成T1C画像を生成する。 さらなる発展は、脳腫瘍に対するコントラスト非造影MRIの実用的な方法を可能にする可能性がある。

関連論文リスト

• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
  造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。 非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:55:57Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• T1-contrast Enhanced MRI Generation from Multi-parametric MRI for Glioma Patients with Latent Tumor Conditioning [1.581761125201628]
  ガドリニウム系造影剤(GBCA)は、グリオーマ患者のMRIスキャンで一般的に用いられる。 GBCA毒性の懸念が高まっている。 本研究では,事前コントラストマルチMRIからT1ポストコントラスト(T1C)を生成するディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2024-09-03T05:45:37Z)
• MBSS-T1: Model-Based Subject-Specific Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [13.966263676155373]
  心臓T1マッピングにおける運動補正のための主観的自己教師モデルMBSS-T1を提案する。 MBSS-T1は210人の患者の公開データセット上で5倍の試験を行い、ベースライン深層学習登録法より優れていた。 MBSS-T1は、より広範囲の患者に対するモーションローバストT1マッピングを可能にし、準最適コンプライアンスなどの課題を克服する。
  論文  参考訳（メタデータ） (2024-08-21T21:03:36Z)
• PCMC-T1: Free-breathing myocardial T1 mapping with Physically-Constrained Motion Correction [15.251935193140982]
  自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。 信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
  論文  参考訳（メタデータ） (2023-08-22T08:50:38Z)
• 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)
• High-fidelity Direct Contrast Synthesis from Magnetic Resonance Fingerprinting [28.702553164811473]
  本稿では,MRFデータからコントラスト強調画像を直接合成する教師あり学習手法を提案する。 In-vivo実験は、シミュレーションベースのコントラスト合成や従来のDCS法と比較して、視覚的にも定量的にも優れた画質を示す。
  論文  参考訳（メタデータ） (2022-12-21T07:11:39Z)
• 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。