論文の概要: Robust 3D Brain MRI Inpainting with Random Masking Augmentation
- arxiv url: http://arxiv.org/abs/2511.20202v1
- Date: Tue, 25 Nov 2025 11:26:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.426147
- Title: Robust 3D Brain MRI Inpainting with Random Masking Augmentation
- Title（参考訳）: ランダムマスキングによるロバスト3次元脳MRIの描出
- Authors: Juexin Zhang, Ying Weng, Ke Chen,
- Abstract要約: 3Dスキャンで健康な組織を合成するための新しいディープラーニングフレームワークであるBraTS-Inpainting 2025 Challengeへの我々の提出について詳述する。
提案手法のコアとなるU-Netアーキテクチャは, 合成劣化領域の塗装を訓練し, 一般化を改善するために, ランダムマスキング拡張戦略で強化した。
このパフォーマンスは、BraTS-Inpainting 2025チャレンジで1位を獲得し、公式のリーダーボードでの2023年と2024年の大会で優勝したソリューションを上回った。
- 参考スコア（独自算出の注目度）: 8.979979393832672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ASNR-MICCAI BraTS-Inpainting Challenge was established to mitigate dataset biases that limit deep learning models in the quantitative analysis of brain tumor MRI. This paper details our submission to the 2025 challenge, a novel deep learning framework for synthesizing healthy tissue in 3D scans. The core of our method is a U-Net architecture trained to inpaint synthetically corrupted regions, enhanced with a random masking augmentation strategy to improve generalization. Quantitative evaluation confirmed the efficacy of our approach, yielding an SSIM of 0.873$\pm$0.004, a PSNR of 24.996$\pm$4.694, and an MSE of 0.005$\pm$0.087 on the validation set. On the final online test set, our method achieved an SSIM of 0.919$\pm$0.088, a PSNR of 26.932$\pm$5.057, and an RMSE of 0.052$\pm$0.026. This performance secured first place in the BraTS-Inpainting 2025 challenge and surpassed the winning solutions from the 2023 and 2024 competitions on the official leaderboard.
- Abstract（参考訳）: ASNR-MICCAI BraTS-Inpainting Challengeは、脳腫瘍MRIの定量的解析においてディープラーニングモデルを制限するデータセットバイアスを軽減するために設立された。
この論文は、健康な組織を3Dスキャンで合成するための新しいディープラーニングフレームワークである2025 Challengeへの提案を詳述する。
提案手法のコアとなるU-Netアーキテクチャは, 合成劣化領域の塗装を訓練し, 一般化を改善するために, ランダムマスキング拡張戦略で強化した。
SSIMは0.873$\pm$0.004, PSNRは24.996$\pm$4.694, MSEは0.005$\pm$0.087であった。
最終オンラインテストセットでは,SSIMが0.919$\pm$0.088,PSNRが26.932$\pm$5.057,RMSEが0.052$\pm$0.026であった。
このパフォーマンスは、BraTS-Inpainting 2025チャレンジで1位を獲得し、公式のリーダーボードでの2023年と2024年の大会で優勝したソリューションを上回った。
関連論文リスト
- Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI [1.2560645967579729]
胸部・腹部領域のMRI画像におけるリアルタイム腫瘍追跡の課題について,データ不足の強い制約下での課題について検討した。
i)IMPACT類似度尺度による教師なし登録と(ii)SAM 2.1を利用した基礎モデルに基づくセグメンテーションの2つの補完戦略が検討された。
最終モデルは、微調整後の検証セット上で達成された最高Dice類似度係数に基づいて選択された。
論文 参考訳（メタデータ） (2025-10-29T21:57:12Z) - Every Step Evolves: Scaling Reinforcement Learning for Trillion-Scale Thinking Model [100.86587937568832]
Ring-1Tは、数兆のパラメータを持つ最初のオープンソースの最先端の思考モデルである。
総パラメータは1兆で、1トークンあたり約500億を活性化する。
論文 参考訳（メタデータ） (2025-10-21T17:46:14Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。
非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
論文 参考訳（メタデータ） (2025-08-18T05:55:57Z) - U-Net Based Healthy 3D Brain Tissue Inpainting [5.347187213114967]
本稿では,マスク入力画像から健康な3次元脳組織を合成するための新しいアプローチを提案する。
提案手法は,脳MRIスキャンの欠失領域や破損領域を効果的に再構築するU-Netアーキテクチャを用いている。
本モデルはBraTS-Local-Inpaintingデータセットを用いてトレーニングし,健常な脳組織の回復における異常な性能を示す。
論文 参考訳（メタデータ） (2025-07-24T06:26:46Z) - The Tenth NTIRE 2025 Efficient Super-Resolution Challenge Report [170.81876816944754]
NTIRE 2025 Challenge on Single-Image Efficient Super-Resolution (ESR)は、主要な計算メトリクスを最適化するモデルの開発を進めることを目的としている。
本稿では,最先端のシングルイメージESR技術における画期的な進歩を強調し,これらの手法と成果を慎重に分析する。
論文 参考訳（メタデータ） (2025-04-14T20:18:21Z) - Weakly Supervised Spatial Implicit Neural Representation Learning for 3D MRI-Ultrasound Deformable Image Registration in HDR Prostate Brachytherapy [5.457582385030137]
本研究は, 3次元MRI-USデフォルマブル登録のためのSINRを基盤とした新しい手法を提案する。
HDR前立腺切開療法におけるリアルタイム画像誘導の精度,堅牢性,計算効率の向上を実現している。
論文 参考訳（メタデータ） (2025-03-18T16:30:08Z) - Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。
前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。
U-Net, SegResNet, Swin UNETR, Attention U-Net, LightM-UNetといった最先端のディープラーニングモデルを用いて200ドルのCDIから前立腺を抽出する。
論文 参考訳（メタデータ） (2025-01-15T22:23:41Z) - Brain Tumour Removing and Missing Modality Generation using 3D WDM [2.0697927556594573]
本稿では,第8タスクのための第2の配置ソリューションとBraTS 2024タスク7タスクへの参加ソリューションを提案する。
臨床実践を支援するための自動脳分析アルゴリズムの採用が増加している。
これらのアルゴリズムの多くは、脳病変の存在や、特定のMRIモダリティの欠如に苦慮している。
論文 参考訳（メタデータ） (2024-11-07T11:29:55Z) - H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd
Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。
我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。
提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
論文 参考訳（メタデータ） (2020-12-30T20:44:55Z)
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。