論文の概要: Acquisition Time-Informed Breast Tumor Segmentation from Dynamic Contrast-Enhanced MRI

• arxiv url: http://arxiv.org/abs/2511.16498v1
• Date: Thu, 20 Nov 2025 16:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.714869
• Title: Acquisition Time-Informed Breast Tumor Segmentation from Dynamic Contrast-Enhanced MRI
• Title（参考訳）: ダイナミックコントラスト造影MRIによる乳腺腫瘍切開の経時的変化
• Authors: Rui Wang, Yuexi Du, John Lewin, R. Todd Constable, Nicha C. Dvornek,
• Abstract要約: ダイナミックコントラスト造影MRI(DCE-MRI)は乳癌検診、腫瘍評価、治療計画とモニタリングにおいて重要な役割を担っている。 異なる取得プロトコルや個々の因子は、同じフェーズで取得した画像であっても、組織の外観に大きな変化をもたらす。 本稿では,画像取得時間の知識を活用して,特定の取得シーケンスに従ってモデル特徴を変調する腫瘍分節法を提案する。
• 参考スコア（独自算出の注目度）: 5.2726717832127035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) plays an important role in breast cancer screening, tumor assessment, and treatment planning and monitoring. The dynamic changes in contrast in different tissues help to highlight the tumor in post-contrast images. However, varying acquisition protocols and individual factors result in large variation in the appearance of tissues, even for images acquired in the same phase (e.g., first post-contrast phase), making automated tumor segmentation challenging. Here, we propose a tumor segmentation method that leverages knowledge of the image acquisition time to modulate model features according to the specific acquisition sequence. We incorporate the acquisition times using feature-wise linear modulation (FiLM) layers, a lightweight method for incorporating temporal information that also allows for capitalizing on the full, variables number of images acquired per imaging study. We trained baseline and different configurations for the time-modulated models with varying backbone architectures on a large public multisite breast DCE-MRI dataset. Evaluation on in-domain images and a public out-of-domain dataset showed that incorporating knowledge of phase acquisition time improved tumor segmentation performance and model generalization.
• Abstract（参考訳）: ダイナミックコントラスト造影MRI(DCE-MRI)は乳癌検診、腫瘍評価、治療計画とモニタリングにおいて重要な役割を担っている。 異なる組織のコントラストのダイナミックな変化は、コントラスト後の画像で腫瘍を強調させるのに役立つ。 しかし、同じ位相(例えば、第1コントラストフェーズ)で取得した画像であっても、異なる取得プロトコルや個々の因子が組織外観に大きな変化をもたらすため、自動的な腫瘍セグメンテーションは困難である。 本稿では,画像取得時間の知識を活用して,特定の取得シーケンスに従ってモデル特徴を変調する腫瘍分節法を提案する。 本研究では,時間的情報を組み込む軽量な手法であるFiLM(Feature-wise linear modulation)層を用いた画像取得時間を取り入れた。 大規模な多部位乳房DCE-MRIデータセット上で,バックボーン構造が変化する時間変調モデルに対して,ベースラインと異なる構成を訓練した。 ドメイン内画像とパブリック・アウト・オブ・ドメイン・データセットの評価により,位相取得時間の知識を取り入れることで腫瘍セグメンテーション性能とモデル一般化が向上した。

関連論文リスト

• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• 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)
• Synthesizing Late-Stage Contrast Enhancement in Breast MRI: A Comprehensive Pipeline Leveraging Temporal Contrast Enhancement Dynamics [0.3499870393443268]
  本研究では,後期DCE-MRI画像の初期段階データから合成するためのパイプラインを提案する。 提案手法では, コントラストエージェントの時間的挙動を利用して生成モデルの訓練を指導する, 新たな損失関数である時間強度損失(TI-loss)を導入する。 アノテーション付き領域における拡張パターンを検証するContrast Agent Pattern Score(mathcalCP_s$)と、実際の拡張と生成された拡張の違いを測定するAverage difference in Enhancement(mathcalED$)の2つの指標が画像品質を評価するために提案されている。
  論文  参考訳（メタデータ） (2024-09-03T04:31:49Z)
• Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
  本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。 画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-08-01T07:35:54Z)
• 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)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Soft Tissue Sarcoma Co-Segmentation in Combined MRI and PET/CT Data [2.2515303891664358]
  マルチモーダル医用画像における腫瘍のセグメンテーションは, 深層学習の手法に傾きつつある。 本稿では,モダリティ固有のエンコーダとデコーダのブランチによるマルチモーダル特徴学習を実現する,同時分離手法を提案する。 MRI(T1およびT2配列)とPET/CTスキャンを併用した公衆軟部肉腫データに対するアプローチの有効性を示した。
  論文  参考訳（メタデータ） (2020-08-28T09:15:42Z)

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。