論文の概要: Scanner-Agnostic MRI Harmonization via SSIM-Guided Disentanglement

• arxiv url: http://arxiv.org/abs/2510.22073v1
• Date: Fri, 24 Oct 2025 23:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.811164
• Title: Scanner-Agnostic MRI Harmonization via SSIM-Guided Disentanglement
• Title（参考訳）: SSIM-Guided DisentanglementによるScanner-Agnostic MRIの高調波化
• Authors: Luca Caldera, Lara Cavinato, Francesca Ieva,
• Abstract要約: 3次元T1強調脳MRIのための画像ベース調和フレームワークを提案する。 このモデルは、生物学的に意味のある特徴を保存するために、構造的類似度指数(SSIM)に基づく識別可能な損失を組み込む。 視覚的比較,ボクセル強度分布,SSIMに基づく測定により,高調波画像が取得設定間で強い整合性を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The variability introduced by differences in MRI scanner models, acquisition protocols, and imaging sites hinders consistent analysis and generalizability across multicenter studies. We present a novel image-based harmonization framework for 3D T1-weighted brain MRI, which disentangles anatomical content from scanner- and site-specific variations. The model incorporates a differentiable loss based on the Structural Similarity Index (SSIM) to preserve biologically meaningful features while reducing inter-site variability. This loss enables separate evaluation of image luminance, contrast, and structural components. Training and validation were performed on multiple publicly available datasets spanning diverse scanners and sites, with testing on both healthy and clinical populations. Harmonization using multiple style targets, including style-agnostic references, produced consistent and high-quality outputs. Visual comparisons, voxel intensity distributions, and SSIM-based metrics demonstrated that harmonized images achieved strong alignment across acquisition settings while maintaining anatomical fidelity. Following harmonization, structural SSIM reached 0.97, luminance SSIM ranged from 0.98 to 0.99, and Wasserstein distances between mean voxel intensity distributions decreased substantially. Downstream tasks showed substantial improvements: mean absolute error for brain age prediction decreased from 5.36 to 3.30 years, and Alzheimer's disease classification AUC increased from 0.78 to 0.85. Overall, our framework enhances cross-site image consistency, preserves anatomical fidelity, and improves downstream model performance, providing a robust and generalizable solution for large-scale multicenter neuroimaging studies.
• Abstract（参考訳）: MRIスキャナーモデル、取得プロトコル、イメージングサイトの違いによって導入された可変性は、マルチセンター研究における一貫した分析と一般化を妨げている。 本稿では,3次元T1強調脳MRIのための画像ベースハーモニゼーションフレームワークを提案する。 このモデルは、構造的類似度指数(SSIM)に基づく識別可能な損失を組み込んで、生体的意味のある特徴を保ちつつ、サイト間変異を減少させる。 この損失により、画像輝度、コントラスト、構造成分を別々に評価できる。 トレーニングと検証は、さまざまなスキャナーとサイトをまたいだ複数の公開データセットで行われ、健康と臨床の両方の集団でテストされた。 スタイルに依存しない参照を含む複数のスタイルターゲットを使用した調和は、一貫性と高品質な出力を生み出した。 画像比較, ボクセル強度分布, SSIM を用いた測定により, 解剖学的忠実度を維持しながら, 画像の高調度化が達成された。 調和化後, 構造SSIMは0.97, 輝度SSIMは0.98から0.99, 平均ボキセル強度分布間のワッサーシュタイン距離は大幅に減少した。 脳年齢予測における絶対誤差の平均は5.36歳から3.30歳に減少し、アルツハイマー病分類AUCは0.78歳から0.85歳に増加した。 全体として、我々のフレームワークは、クロスサイト画像の整合性を高め、解剖学的忠実性を保ち、下流モデルの性能を改善し、大規模マルチセンター・ニューロイメージング研究のための堅牢で一般化可能なソリューションを提供する。

関連論文リスト

• POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI [7.901173149711112]
  POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。 提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
  論文  参考訳（メタデータ） (2026-01-14T00:20:13Z)
• Biology-driven assessment of deep learning super-resolution imaging of the porosity network in dentin [3.6401695744986866]
  歯のメカノセンスシステムは、象牙質を介して伸びる多孔性ネットワークを流れる流体による象牙芽細胞細胞刺激に部分的に依存していると考えられている。 最小のサブ顕微鏡ポロシティ容器を可視化するには、共焦点蛍光顕微鏡による最も高い分解能が必要である。 我々は、低解像度画像の高速な取得と、後処理による最適な画像品質の回復を可能にするために、異なる深層学習(DL)超解像(SR)モデルを試験した。
  論文  参考訳（メタデータ） (2025-10-09T16:26:38Z)
• AnatoMaskGAN: GNN-Driven Slice Feature Fusion and Noise Augmentation for Medical Semantic Image Synthesis [1.5295022700131624]
  AnatoMaskGANはスライスに関連する空間的特徴を埋め込んで、スライス間のコンテキスト依存を正確に集約する。 多様な画像拡張戦略を導入し、複雑な医用画像の性能向上のために、深い特徴学習を最適化する。
  論文  参考訳（メタデータ） (2025-08-15T10:19:38Z)
• HANS-Net: Hyperbolic Convolution and Adaptive Temporal Attention for Accurate and Generalizable Liver and Tumor Segmentation in CT Imaging [2.7205074719266062]
  腹部CT像における肝・腫瘍の正確なセグメンテーションは確実な診断と治療計画に重要である。 ニューラル表現とシナプティック・プラスティック・ネットワーク(HANS-Net)を用いたハイパーボリック・コンボリューションの導入 HANS-Netは、階層的幾何表現のための双曲的畳み込み、マルチスケールテクスチャ学習のためのウェーブレットインスパイアされた分解モジュール、暗黙の神経表現分岐を組み合わせた。
  論文  参考訳（メタデータ） (2025-07-15T13:56:37Z)
• 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)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• A Self-attention Guided Multi-scale Gradient GAN for Diversified X-ray Image Synthesis [0.6308539010172307]
  GAN(Generative Adversarial Networks)を用いて,合成画像の生成によるデータ制限問題に対処する。 モード崩壊、非収束、不安定といったトレーニング課題は、多彩で高品質な画像の合成において、GANのパフォーマンスを低下させる。 本研究では,バイオメディカル画像の特徴の長距離依存性の関係をモデル化する,注意誘導型マルチスケール勾配GANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-09T13:17:17Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Disease-oriented image embedding with pseudo-scanner standardization for content-based image retrieval on 3D brain MRI [2.9360071145551068]
  疑似スキャナ標準化 (DI-PSS) を用いた病的指向画像埋め込み方式を提案する。 ディープラーニングを用いた3Dコンボリューショナルオートエンコーダ(3D-CAE)は, 疾患の特徴を反映した低次元埋め込みを実現する。 ベースライン条件と比較すると, アルツハイマー病 (AD) から臨床正常 (CN) , パーキンソン病 (PD) までの距離の変動は15.8-22.6%, 18.0-29.9%減少した。
  論文  参考訳（メタデータ） (2021-08-14T11:19:30Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。