論文の概要: A Biophysically-Conditioned Generative Framework for 3D Brain Tumor MRI Synthesis

• arxiv url: http://arxiv.org/abs/2510.09365v1
• Date: Fri, 10 Oct 2025 13:23:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 04:53:46.942924
• Title: A Biophysically-Conditioned Generative Framework for 3D Brain Tumor MRI Synthesis
• Title（参考訳）: 3次元脳腫瘍MRI合成のための生体物理制御型生成フレームワーク
• Authors: Valentin Biller, Lucas Zimmer, Can Erdur, Sandeep Nagar, Daniel Rückert, Niklas Bubeck, Jonas Weidner,
• Abstract要約: 我々は,脳腫瘍MRIを合成するために,連続性腫瘍濃度を条件とした最初の生成モデルを導入する。 BraTS 2025 Inpainting Challengeでは,腫瘍濃度を0に設定することで,この構造を健全な組織修復の補完課題に適応させる。
• 参考スコア（独自算出の注目度）: 1.2380138134792278
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) inpainting supports numerous clinical and research applications. We introduce the first generative model that conditions on voxel-level, continuous tumor concentrations to synthesize high-fidelity brain tumor MRIs. For the BraTS 2025 Inpainting Challenge, we adapt this architecture to the complementary task of healthy tissue restoration by setting the tumor concentrations to zero. Our latent diffusion model conditioned on both tissue segmentations and the tumor concentrations generates 3D spatially coherent and anatomically consistent images for both tumor synthesis and healthy tissue inpainting. For healthy inpainting, we achieve a PSNR of 18.5, and for tumor inpainting, we achieve 17.4. Our code is available at: https://github.com/valentin-biller/ldm.git
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)の塗布は、多くの臨床および研究の応用を支えている。 我々は,高密度脳腫瘍MRIを合成するために,ボクセルレベル,連続性腫瘍濃度を条件とした最初の生成モデルを導入する。 BraTS 2025 Inpainting Challengeでは,腫瘍濃度を0に設定することで,この構造を健全な組織修復の補完課題に適応させる。 組織分画と腫瘍濃度の両方を条件とした潜伏拡散モデルでは,腫瘍合成と健全な組織塗布の両面において,空間的コヒーレントかつ解剖学的に一貫した3次元像が生成される。 健康な塗布では,PSNRが18.5で,腫瘍塗布では17.4であった。 私たちのコードは、https://github.com/valentin-biller/ldm.gitで利用可能です。

関連論文リスト

• Tumor Synthesis conditioned on Radiomics [1.3521165953335823]
  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。
  論文  参考訳（メタデータ） (2025-09-29T02:04:12Z)
• 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)
• 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)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• CKD-TransBTS: Clinical Knowledge-Driven Hybrid Transformer with Modality-Correlated Cross-Attention for Brain Tumor Segmentation [37.39921484146194]
  磁気共鳴画像(MRI)における脳腫瘍のセグメンテーションは、脳腫瘍の診断、癌管理、研究目的に不可欠である。 10年にわたるBraTSチャレンジの成功により、様々な技術的側面においてBTSの難しさに取り組むために、多くの優れたBTSモデルが提案されている。 CKD-TransBTSと呼ばれる臨床知識駆動型脳腫瘍分節モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-15T09:35:29Z)
• Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology [33.90454917741234]
  腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
  論文  参考訳（メタデータ） (2021-01-17T20:38:50Z)
• 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)
• 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)

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。