論文の概要: Diffusion-Driven Generation of Minimally Preprocessed Brain MRI

• arxiv url: http://arxiv.org/abs/2510.26834v1
• Date: Wed, 29 Oct 2025 19:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.858408
• Title: Diffusion-Driven Generation of Minimally Preprocessed Brain MRI
• Title（参考訳）: 微小前処理脳MRIの拡散駆動生成
• Authors: Samuel W. Remedios, Aaron Carass, Jerry L. Prince, Blake E. Dewey,
• Abstract要約: 本研究の目的は,3つの拡散確率モデル(DDPM)を提示し,比較することである。 3つのDDPMは、公開されている38個の脳MRIデータセットにまたがる42,406人の被験者の80,675個の画像ボリュームを使用して訓練された。
• 参考スコア（独自算出の注目度）: 2.5614202974697786
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The purpose of this study is to present and compare three denoising diffusion probabilistic models (DDPMs) that generate 3D $T_1$-weighted MRI human brain images. Three DDPMs were trained using 80,675 image volumes from 42,406 subjects spanning 38 publicly available brain MRI datasets. These images had approximately 1 mm isotropic resolution and were manually inspected by three human experts to exclude those with poor quality, field-of-view issues, and excessive pathology. The images were minimally preprocessed to preserve the visual variability of the data. Furthermore, to enable the DDPMs to produce images with natural orientation variations and inhomogeneity, the images were neither registered to a common coordinate system nor bias field corrected. Evaluations included segmentation, Frechet Inception Distance (FID), and qualitative inspection. Regarding results, all three DDPMs generated coherent MR brain volumes. The velocity and flow prediction models achieved lower FIDs than the sample prediction model. However, all three models had higher FIDs compared to real images across multiple cohorts. In a permutation experiment, the generated brain regional volume distributions differed statistically from real data. However, the velocity and flow prediction models had fewer statistically different volume distributions in the thalamus and putamen. In conclusion this work presents and releases the first 3D non-latent diffusion model for brain data without skullstripping or registration. Despite the negative results in statistical testing, the presented DDPMs are capable of generating high-resolution 3D $T_1$-weighted brain images. All model weights and corresponding inference code are publicly available at https://github.com/piksl-research/medforj .
• Abstract（参考訳）: 本研究の目的は、3D $T_1$-weighted MRI 画像を生成する3種類の拡散確率モデル(DDPM)を提示し、比較することである。 3つのDDPMは、公開されている38個の脳MRIデータセットにまたがる42,406人の被験者の80,675個の画像ボリュームを使用して訓練された。 これらの画像は、約1mmの等方分解能を持ち、3人の専門家によって手動で検査された。 画像は、データの視覚的変動を維持するために、最小限に前処理された。 さらに、DDPMが自然な向き変化と不均一性を持つ画像を生成するために、画像は共通の座標系に登録されず、バイアス場を補正もしなかった。 評価にはセグメンテーション、Frechet Inception Distance(FID)、定性検査が含まれる。 その結果, DDPMはいずれもコヒーレントMR脳容積を産生した。 流速予測モデルと流速予測モデルは, サンプル予測モデルよりも低いFIDを得た。 しかし、3つのモデルとも、複数のコホートにまたがる実際の画像と比較して高いFIDを持っていた。 置換実験では、生成された脳の局所体積分布は実データと統計的に異なる。 しかし, 流速予測モデルでは, 視床と胎盤の体積分布が統計的に異なる。 結論として、この研究は頭蓋骨の切り抜きや登録なしに脳データのための最初の3D非レイテンシ拡散モデルを提示し、リリースする。 統計的検査では否定的な結果が得られたが、提示されたDDPMは高解像度の3D $T_1$-weighted 脳画像を生成することができる。 すべてのモデルウェイトと対応する推論コードはhttps://github.com/piksl-research/medforj.comで公開されている。

関連論文リスト

• Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
  3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
  論文  参考訳（メタデータ） (2025-09-10T23:22:05Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• MCDDPM: Multichannel Conditional Denoising Diffusion Model for Unsupervised Anomaly Detection in Brain MRI [0.0]
  Denoising Diffusion Probabilistic Model (DDPM)のような生成モデルは、脳MRIスキャンで教師なしの異常検出を行う強力な代替手段として登場した。 脳MRI画像における教師なし異常検出のためのMCDDPM(Multi channel Conditional Denoising Diffusion Probabilistic Model)と呼ばれるDDPMの改良版を提案する。
  論文  参考訳（メタデータ） (2024-09-29T09:15:24Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  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)
• Conditional Diffusion Models for Semantic 3D Brain MRI Synthesis [0.0]
  Med-DDPMは3次元意味脳MRI合成のための拡散モデルである。 セマンティックコンディショニングを統合することで、データの不足とプライバシの問題に効果的に取り組む。 視覚的忠実度の高い多様なコヒーレントな画像を生成する。
  論文  参考訳（メタデータ） (2023-05-29T04:14:38Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
  脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。 本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。 本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
  論文  参考訳（メタデータ） (2021-04-04T20:30:14Z)
• Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks [0.45077088620792216]
  脳の磁気共鳴イメージング(MRI)データに基づく年齢予測は、脳疾患や老化の進行を定量化するバイオマーカーである。 現在のアプローチでは、voxelを標準化された脳アトラスに登録するなど、複数の前処理ステップでデータを準備する。 ここでは、ResNetアーキテクチャに基づく3D Convolutional Neural Network(CNN)について、未登録のT1重み付きMRIデータに基づいてトレーニングします。
  論文  参考訳（メタデータ） (2021-03-22T09:48:34Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。