論文の概要: From Healthy Scans to Annotated Tumors: A Tumor Fabrication Framework for 3D Brain MRI Synthesis

• arxiv url: http://arxiv.org/abs/2511.18654v1
• Date: Sun, 23 Nov 2025 23:28:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.951613
• Title: From Healthy Scans to Annotated Tumors: A Tumor Fabrication Framework for 3D Brain MRI Synthesis
• Title（参考訳）: 健常者から注釈腫瘍へ:3次元脳MRI合成のための腫瘍形成フレームワーク
• Authors: Nayu Dong, Townim Chowdhury, Hieu Phan, Mark Jenkinson, Johan Verjans, Zhibin Liao,
• Abstract要約: 腫瘍形成(TF)は、3次元脳腫瘍合成のための新しい2段階のフレームワークである。 TFは完全に自動化されており、実際のアノテートされたデータの限られた量とともに、健康なイメージスキャンのみを活用する。 データ豊か化に用いた合成画像ラベルペアは,低データレギュレーションにおける下流腫瘍セグメンテーションタスクの性能を著しく向上させることができることを実証した。
• 参考スコア（独自算出の注目度）: 3.295857224165814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scarcity of annotated Magnetic Resonance Imaging (MRI) tumor data presents a major obstacle to accurate and automated tumor segmentation. While existing data synthesis methods offer promising solutions, they often suffer from key limitations: manual modeling is labor intensive and requires expert knowledge. Deep generative models may be used to augment data and annotation, but they typically demand large amounts of training pairs in the first place, which is impractical in data limited clinical settings. In this work, we propose Tumor Fabrication (TF), a novel two-stage framework for unpaired 3D brain tumor synthesis. The framework comprises a coarse tumor synthesis process followed by a refinement process powered by a generative model. TF is fully automated and leverages only healthy image scans along with a limited amount of real annotated data to synthesize large volumes of paired synthetic data for enriching downstream supervised segmentation training. We demonstrate that our synthetic image-label pairs used as data enrichment can significantly improve performance on downstream tumor segmentation tasks in low-data regimes, offering a scalable and reliable solution for medical image enrichment and addressing critical challenges in data scarcity for clinical AI applications.
• Abstract（参考訳）: 造影MRI( Annotated Magnetic Resonance Imaging, MRI) では, 画像診断の精度が低いため, 画像診断が困難である。 既存のデータ合成手法は有望なソリューションを提供するが、多くの場合、手動モデリングは労働集約的で専門家の知識を必要とする、重要な制限に悩まされる。 深層生成モデルは、データとアノテーションを増強するために使われるが、一般的には、データ限定臨床環境では実用的ではない大量のトレーニングペアを必要とする。 本研究は、3次元脳腫瘍合成のための新しい2段階フレームワークである腫瘍形成(TF)を提案する。 粗い腫瘍合成工程と、生成モデルを利用した精製工程とを含む。 TFは完全に自動化されており、正常な画像スキャンと実際の注釈付きデータのみを活用して、下流の教師付きセグメンテーショントレーニングを強化するために大量のペア合成データを合成する。 医療用画像濃縮のためのスケーラブルで信頼性の高いソリューションを提供し,臨床用AIアプリケーションにおけるデータ不足に対する重要な課題に対処する。

関連論文リスト

• Enhancing Privacy: The Utility of Stand-Alone Synthetic CT and MRI for Tumor and Bone Segmentation [2.4345008922715756]
  頭頸部癌CTと脳グリオーマMRIを2つの大きなデータセットから用いた。 生成逆数ネットワークと拡散モデルを用いて合成データを生成する。 MAE, MS-SSIM, Radiomics and a Visual Turing Test (VTT) を用いて合成データの質を評価する。
  論文  参考訳（メタデータ） (2025-06-13T08:17:48Z)
• MRGen: Segmentation Data Engine for Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では,データ合成における生成モデルの利用について検討する。 本稿では,テキストプロンプトとセグメンテーションマスクを条件とした医用画像合成のためのデータエンジンMRGenを提案する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• Two-Stage Approach for Brain MR Image Synthesis: 2D Image Synthesis and 3D Refinement [1.5683566370372715]
  腫瘍像を正確に表現することで,欠失モードの特異な特徴を反映したMRI画像の合成が重要である。 本稿では,2次元スライスからMR画像を合成する2段階の手法を提案する。
  論文  参考訳（メタデータ） (2024-10-14T08:21:08Z)
• 3D MRI Synthesis with Slice-Based Latent Diffusion Models: Improving Tumor Segmentation Tasks in Data-Scarce Regimes [2.8498944632323755]
  本稿では,ボリュームデータ生成の複雑さに対処するスライスに基づく遅延拡散アーキテクチャを提案する。 この手法は,医療用画像と関連するマスクの同時分布モデルを拡張し,データスカース体制下での同時生成を可能にする。 構造は, 大きさ, 形状, 相対位置などの腫瘍特性によって調節できるため, 腫瘍の多様性は様々である。
  論文  参考訳（メタデータ） (2024-06-08T09:53:45Z)
• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
  本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。 公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:58:22Z)
• Brain Tumor Synthetic Data Generation with Adaptive StyleGANs [6.244557340851846]
  本稿では,脳腫瘍MRI画像の生成手法について述べる。 その結果, 提案手法は脳腫瘍の分布を学習できることがわかった。 このアプローチは、腫瘍のある現実的な脳MRIを生成することで、限られたデータ可用性に対処することができる。
  論文  参考訳（メタデータ） (2022-12-04T09:01:33Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。