論文の概要: BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet

• arxiv url: http://arxiv.org/abs/2511.12853v1
• Date: Mon, 17 Nov 2025 00:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.584501
• Title: BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet
• Title（参考訳）: BrainNormalizer: Edge-Guided ControlNetによる腫瘍MRIからの解剖学的インフォームド擬似健康脳再建
• Authors: Min Gu Kwak, Yeonju Lee, Hairong Wang, Jing Li,
• Abstract要約: BrainNormalizerは解剖学的にインフォームドされた拡散フレームワークで、腫瘍スキャンから直接擬似健康MRIを再構築する。 BrainNormalizerは、強い定量的性能を達成し、腫瘍に罹患した領域で、解剖学的にもっともらしい再構成を定性的に生成する。
• 参考スコア（独自算出の注目度）: 5.014281623202397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain tumors are among the most clinically significant neurological diseases and remain a major cause of morbidity and mortality due to their aggressive growth and structural heterogeneity. As tumors expand, they induce substantial anatomical deformation that disrupts both local tissue organization and global brain architecture, complicating diagnosis, treatment planning, and surgical navigation. Yet a subject-specific reference of how the brain would appear without tumor-induced changes is fundamentally unobtainable in clinical practice. We present BrainNormalizer, an anatomy-informed diffusion framework that reconstructs pseudo-healthy MRIs directly from tumorous scans by conditioning the generative process on boundary cues extracted from the subject's own anatomy. This boundary-guided conditioning enables anatomically plausible pseudo-healthy reconstruction without requiring paired non-tumorous and tumorous scans. BrainNormalizer employs a two-stage training strategy. The pretrained diffusion model is first adapted through inpainting-based fine-tuning on tumorous and non-tumorous scans. Next, an edge-map-guided ControlNet branch is trained to inject fine-grained anatomical contours into the frozen decoder while preserving learned priors. During inference, a deliberate misalignment strategy pairs tumorous inputs with non-tumorous prompts and mirrored contralateral edge maps, leveraging hemispheric correspondence to guide reconstruction. On the BraTS2020 dataset, BrainNormalizer achieves strong quantitative performance and qualitatively produces anatomically plausible reconstructions in tumor-affected regions while retaining overall structural coherence. BrainNormalizer provides clinically reliable anatomical references for treatment planning and supports new research directions in counterfactual modeling and tumor-induced deformation analysis.
• Abstract（参考訳）: 脳腫瘍は、最も臨床的に重要な神経疾患の1つであり、攻撃的な成長と構造的不均一性のため、致死性や死亡の主な原因である。 腫瘍が拡大するにつれて、局所組織組織と大脳構造の両方を破壊し、診断、治療計画、手術ナビゲーションを複雑にする解剖学的変形を引き起こす。 しかし、腫瘍によって引き起こされる変化なしに脳がどのように現れるかについての主題特異的な参照は、臨床実践では基本的に不可能である。 本稿では, 解剖学から抽出した境界手がかりに生成過程を条件付け, 腫瘍スキャンから直接疑似健康MRIを再構築する, 解剖学的インフォームド拡散フレームワークであるBrainNormalizerについて述べる。 この境界誘導条件は、非腫瘍と腫瘍の2つのスキャンを必要とせず、解剖学的に妥当な偽の健康回復を可能にする。 BrainNormalizerは2段階のトレーニング戦略を採用している。 術前の拡散モデルは, 腫瘍性および非腫瘍性スキャンの塗布による微調整により適応される。 次に、エッジマップ誘導制御ネットブランチをトレーニングし、学習前の保存をしながら、微細な解剖学的輪郭を凍結デコーダに注入する。 推測中,意図的不整合戦略は腫瘍性入力と非腫瘍性プロンプトとミラー付き対側エッジマップとを一致させ,半球対応を利用して再建を誘導する。 BraTS2020データセットでは、BrainNormalizerは強力な定量的性能を達成し、腫瘍に感染した領域において、全体的な構造的コヒーレンスを維持しながら、解剖学的に妥当な再構成を定性的に生成する。 BrainNormalizerは、治療計画のための臨床的に信頼性の高い解剖学的基準を提供し、カウンターファクトモデリングと腫瘍誘発変形解析における新しい研究方向をサポートする。

関連論文リスト

• The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
  ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
  論文  参考訳（メタデータ） (2025-08-13T09:31:06Z)
• Physics-Regularized Multi-Modal Image Assimilation for Brain Tumor Localization [3.666412718346211]
  本稿では,データ駆動と物理に基づくコスト関数を統合する新しい手法を提案する。 腫瘍組織と脳組織の学習分布が,それぞれの成長と弾性の方程式にどの程度順応するかを定量化する,ユニークな離散化手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T15:36:14Z)
• Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation [0.0]
  脳腫瘍のセグメンテーションは、医療画像解析において重要な課題であり、脳腫瘍患者の診断と治療計画を支援する。 様々な深層学習技術がこの分野で大きな進歩を遂げてきたが、脳腫瘍形態の複雑で変動的な性質のため、精度の面ではまだ限界に直面している。 本稿では,脳腫瘍の正確なセグメンテーションにおける課題を解決するために,新しいハイブリッドマルチヘッド注意型U-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-05-22T02:46:26Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Spatio-spectral classification of hyperspectral images for brain cancer detection during surgical operations [0.0]
  脳腫瘍の手術は神経外科において大きな問題である。 手術中の腫瘍境界の同定は困難である。 本研究では,ハイパースペクトル画像の空間特性とスペクトル特性を考慮した新しい分類法の開発について述べる。
  論文  参考訳（メタデータ） (2024-02-11T12:58:42Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Learn-Morph-Infer: a new way of solving the inverse problem for brain tumor modeling [1.1214822628210914]
  本稿では,T1GdとFLAIR MRIから患者特異的な脳腫瘍の空間分布を推定する手法を提案する。 itLearn-Morph-Inferと組み合わせたこの手法は、広く利用可能なハードウェア上で、数分のオーダーでリアルタイムのパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-11-07T13:45:35Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。