論文の概要: Post-Processing Methods for Improving Accuracy in MRI Inpainting

• arxiv url: http://arxiv.org/abs/2510.15282v1
• Date: Fri, 17 Oct 2025 03:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.459303
• Title: Post-Processing Methods for Improving Accuracy in MRI Inpainting
• Title（参考訳）: MRIインペインティングの精度向上のためのポストプロセシング法
• Authors: Nishad Kulkarni, Krithika Iyer, Austin Tapp, Abhijeet Parida, Daniel Capellán-Martín, Zhifan Jiang, María J. Ledesma-Carbayo, Syed Muhammad Anwar, Marius George Linguraru,
• Abstract要約: 塗布技術は、腫瘍領域の正常な脳組織を局所的に合成することを目的としている。 本研究では,最先端のインパインティングモデルを評価し,スタンドアローン性能の飽和を観察する。 本稿では,中央値フィルタリング,ヒストグラムマッチング,ピクセル平均化といった効率的な後処理戦略とモデルアンサンブルを組み合わせる手法を提案する。
• 参考スコア（独自算出の注目度）: 4.574257127551285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance Imaging (MRI) is the primary imaging modality used in the diagnosis, assessment, and treatment planning for brain pathologies. However, most automated MRI analysis tools, such as segmentation and registration pipelines, are optimized for healthy anatomies and often fail when confronted with large lesions such as tumors. To overcome this, image inpainting techniques aim to locally synthesize healthy brain tissues in tumor regions, enabling the reliable application of general-purpose tools. In this work, we systematically evaluate state-of-the-art inpainting models and observe a saturation in their standalone performance. In response, we introduce a methodology combining model ensembling with efficient post-processing strategies such as median filtering, histogram matching, and pixel averaging. Further anatomical refinement is achieved via a lightweight U-Net enhancement stage. Comprehensive evaluation demonstrates that our proposed pipeline improves the anatomical plausibility and visual fidelity of inpainted regions, yielding higher accuracy and more robust outcomes than individual baseline models. By combining established models with targeted post-processing, we achieve improved and more accessible inpainting outcomes, supporting broader clinical deployment and sustainable, resource-conscious research. Our 2025 BraTS inpainting docker is available at https://hub.docker.com/layers/aparida12/brats2025/inpt.
• Abstract（参考訳）: MRI(Magnetic Resonance Imaging)は、脳疾患の診断、評価、治療計画に使用される主要な画像モダリティである。 しかし、セグメンテーションや登録パイプラインのようなほとんどの自動MRI解析ツールは、正常な解剖に最適化されており、腫瘍のような大きな病変に直面したときに失敗することが多い。 これを解決するために、画像塗布技術は、腫瘍領域の正常な脳組織を局所的に合成することを目的としており、汎用ツールの信頼性の高い適用を可能にしている。 本研究では,現状の塗り絵モデルを体系的に評価し,スタンドアローンのパフォーマンスの飽和を観察する。 そこで本研究では,中央値フィルタリング,ヒストグラムマッチング,ピクセル平均化といった効率的な後処理戦略とモデルアンサンブルを組み合わせる手法を提案する。 さらに、軽量なU-Net拡張ステージを介して解剖学的改善を行う。 包括的評価により, 提案したパイプラインは, 塗装領域の解剖学的妥当性と視覚的忠実度を向上し, 個々のベースラインモデルよりも精度が高く, より堅牢な結果が得られることが示された。 確立されたモデルと対象のポストプロセッシングを組み合わせることで、より広範な臨床展開と持続可能な資源志向の研究を支援する、改善され、よりアクセシブルなインペインティング結果を達成することができる。 2025 BraTS inpainting dockerはhttps://hub.docker.com/layers/aparida12/brats2025/inptで公開しています。

関連論文リスト

• Glioblastoma Overall Survival Prediction With Vision Transformers [6.318465743962574]
  グリオ芽腫は最も攻撃的で一般的な脳腫瘍の1つで、生存期間は10～15ヶ月である。 本研究では,MRI画像を用いた総合生存(OS)予測のための新しい人工知能(AI)手法を提案する。 我々は視覚変換器(ViT)を用いてMRI画像から直接隠れた特徴を抽出し,腫瘍のセグメンテーションの必要性を排除した。 提案したモデルは、BRATSデータセットで評価され、テストセット上で62.5%の精度を達成した。
  論文  参考訳（メタデータ） (2025-08-04T13:59:57Z)
• 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)
• 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)
• 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)
• RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
  本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。 RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。 無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
  論文  参考訳（メタデータ） (2021-08-05T10:35:06Z)

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。