論文の概要: MRI-to-CT Synthesis With Cranial Suture Segmentations Using A Variational Autoencoder Framework

• arxiv url: http://arxiv.org/abs/2512.23894v1
• Date: Mon, 29 Dec 2025 23:09:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.233737
• Title: MRI-to-CT Synthesis With Cranial Suture Segmentations Using A Variational Autoencoder Framework
• Title（参考訳）: 変分オートエンコーダを用いた頭蓋縫合片を用いたMRI-to-CT合成
• Authors: Krithika Iyer, Austin Tapp, Athelia Paulli, Gabrielle Dickerson, Syed Muhammad Anwar, Natasha Lepore, Marius George Linguraru,
• Abstract要約: 正常な頭蓋発達と縫合骨化の定量化は、成長関連脳疾患の診断と治療に不可欠である。 MRI(MRI)は、優れた軟組織コントラストを有する放射線フリースキャンを提供するが、CTとは異なり、MRIでは頭蓋縫合の解明、頭蓋骨密度の推定、頭蓋底成長の評価はできない。 本研究では、0.2～2歳児のT1強調MRIを合成CT(sCT)に変換するためのディープラーニング駆動パイプラインを提案する。 家庭内小児科データでは、SCTは99%の構造的類似性とFrechet開始距離が1.01である。
• 参考スコア（独自算出の注目度）: 4.423530406936258
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantifying normative pediatric cranial development and suture ossification is crucial for diagnosing and treating growth-related cephalic disorders. Computed tomography (CT) is widely used to evaluate cranial and sutural deformities; however, its ionizing radiation is contraindicated in children without significant abnormalities. Magnetic resonance imaging (MRI) offers radiation free scans with superior soft tissue contrast, but unlike CT, MRI cannot elucidate cranial sutures, estimate skull bone density, or assess cranial vault growth. This study proposes a deep learning driven pipeline for transforming T1 weighted MRIs of children aged 0.2 to 2 years into synthetic CTs (sCTs), predicting detailed cranial bone segmentation, generating suture probability heatmaps, and deriving direct suture segmentation from the heatmaps. With our in-house pediatric data, sCTs achieved 99% structural similarity and a Frechet inception distance of 1.01 relative to real CTs. Skull segmentation attained an average Dice coefficient of 85% across seven cranial bones, and sutures achieved 80% Dice. Equivalence of skull and suture segmentation between sCTs and real CTs was confirmed using two one sided tests (TOST p < 0.05). To our knowledge, this is the first pediatric cranial CT synthesis framework to enable suture segmentation on sCTs derived from MRI, despite MRI's limited depiction of bone and sutures. By combining robust, domain specific variational autoencoders, our method generates perceptually indistinguishable cranial sCTs from routine pediatric MRIs, bridging critical gaps in non invasive cranial evaluation.
• Abstract（参考訳）: 正常な頭蓋発達と縫合骨化の定量化は、成長関連脳疾患の診断と治療に不可欠である。 CT(Computed tomography)は頭蓋・下肢の変形を評価するために広く用いられているが,その電離放射線は有意な異常を伴わない小児では禁忌である。 MRI(MRI)は、優れた軟組織コントラストを有する放射線フリースキャンを提供するが、CTとは異なり、MRIでは頭蓋縫合の解明、頭蓋骨密度の推定、頭蓋底成長の評価はできない。 本研究では、0.2～2歳児のT1強調MRIを合成CT(sCT)に変換し、詳細な頭蓋骨分割を予測し、縫合確率のヒートマップを生成し、熱マップから直接縫合セグメントを抽出する深層学習駆動パイプラインを提案する。 当院の小児科では, sCTは99%の構造的類似性とFrechet開始距離1.01であった。 7つの頭蓋骨の平均Dice係数は85%に達し、縫合は80%のDiceを得た。 2つの片側試験(TOST p < 0.05。 MRIによる骨と縫合の描写が限定されているにもかかわらず、MRI由来のsCTの縫合セグメント化を可能にする最初の小児頭蓋骨CT合成フレームワークである。 非侵襲的脳評価において重要なギャップを埋めることにより,本手法は正常な小児MRIから知覚的に識別不能な脳sCTを生成する。

関連論文リスト

• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• TissUnet: Improved Extracranial Tissue and Cranium Segmentation for Children through Adulthood [1.1144337101638346]
  頭蓋骨,皮下脂肪,筋肉を3次元T1強調MRIから抽出する深層学習モデルTissUnetを提案する。 このモデルは155対のMRI断層撮影(CT)スキャンでトレーニングされ、9つのデータセットで検証された。
  論文  参考訳（メタデータ） (2025-06-06T01:21:34Z)
• Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
  本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。 The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。 総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
  論文  参考訳（メタデータ） (2024-06-25T09:56:30Z)
• Minimally Interactive Segmentation of Soft-Tissue Tumors on CT and MRI using Deep Learning [0.0]
  我々は,CTおよびMRIを用いたソフト・タウト・腫瘍(STT)のための,最小限の対話型深層学習に基づくセグメンテーション法を開発した。 この方法は、畳み込みニューラルネットワークの入力として、腫瘍の極端な境界付近で6つの点をクリックする必要がある。
  論文  参考訳（メタデータ） (2024-02-12T16:15:28Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Context-Aware Transformers For Spinal Cancer Detection and Radiological Grading [70.04389979779195]
  本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。 MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。 画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
  論文  参考訳（メタデータ） (2022-06-27T10:31:03Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。