論文の概要: Unified Multi-Site Multi-Sequence Brain MRI Harmonization Enriched by Biomedical Semantic Style
- arxiv url: http://arxiv.org/abs/2601.08193v1
- Date: Tue, 13 Jan 2026 03:47:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-14 18:27:19.053027
- Title: Unified Multi-Site Multi-Sequence Brain MRI Harmonization Enriched by Biomedical Semantic Style
- Title（参考訳）: バイオメディカルセマンティックスタイルによる統合型マルチシークエンス脳MRIの高調波
- Authors: Mengqi Wu, Yongheng Sun, Qianqian Wang, Pew-Thian Yap, Mingxia Liu,
- Abstract要約: MMHは多地点のマルチシーケンス脳MRIハーモニゼーションのための統合フレームワークである。
MMHは,(1)拡散型大域的調和器でMR画像をスタイルに依存しない勾配条件付けを用いてシーケンス固有統一領域にマッピングし,(2)グローバル整列画像を所望のターゲット領域に適応させるターゲット固有微調整器である。
4,163T1強調MRIとT2強調MRIによる画像特徴クラスタリング、ボクセルレベルの比較、組織セグメンテーション、下流年齢と部位に対するMMHの高調波効果の評価
- 参考スコア（独自算出の注目度）: 13.422551989566983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Aggregating multi-site brain MRI data can enhance deep learning model training, but also introduces non-biological heterogeneity caused by site-specific variations (e.g., differences in scanner vendors, acquisition parameters, and imaging protocols) that can undermine generalizability. Recent retrospective MRI harmonization seeks to reduce such site effects by standardizing image style (e.g., intensity, contrast, noise patterns) while preserving anatomical content. However, existing methods often rely on limited paired traveling-subject data or fail to effectively disentangle style from anatomy. Furthermore, most current approaches address only single-sequence harmonization, restricting their use in real-world settings where multi-sequence MRI is routinely acquired. To this end, we introduce MMH, a unified framework for multi-site multi-sequence brain MRI harmonization that leverages biomedical semantic priors for sequence-aware style alignment. MMH operates in two stages: (1) a diffusion-based global harmonizer that maps MR images to a sequence-specific unified domain using style-agnostic gradient conditioning, and (2) a target-specific fine-tuner that adapts globally aligned images to desired target domains. A tri-planar attention BiomedCLIP encoder aggregates multi-view embeddings to characterize volumetric style information, allowing explicit disentanglement of image styles from anatomy without requiring paired data. Evaluations on 4,163 T1- and T2-weighted MRIs demonstrate MMH's superior harmonization over state-of-the-art methods in image feature clustering, voxel-level comparison, tissue segmentation, and downstream age and site classification.
- Abstract（参考訳）: マルチサイト脳MRIデータの集約は、ディープラーニングモデルのトレーニングを強化するだけでなく、サイト固有のバリエーション(例えば、スキャナーベンダーの違い、取得パラメータ、イメージングプロトコル)によって引き起こされる非生物学的不均一性も導入し、一般化性を損なう可能性がある。
最近のMRIハーモニゼーションは、画像スタイル(例えば、強度、コントラスト、ノイズパターン)を標準化し、解剖学的内容を保存することで、そのような効果を減らそうとしている。
しかし、既存の手法は、しばしば限定された旅行対象データに依存するか、解剖学から効果的にスタイルを外すのに失敗する。
さらに、現在のほとんどのアプローチは単一シーケンスの調和にのみ対応しており、マルチシーケンスMRIが日常的に取得される実世界の設定での使用を制限する。
この目的のために,多地点間マルチシーケンス脳MRIハーモニゼーションのための統合フレームワークMMHを導入する。
MMHは,(1)拡散型大域的調和器でMR画像をスタイルに依存しない勾配条件付けを用いてシーケンス固有統一領域にマッピングし,(2)グローバル整列画像を所望のターゲット領域に適応させるターゲット固有微調整器である。
トリプラナーアテンションBiomedCLIPエンコーダは、多視点埋め込みを集約してボリュームスタイル情報を特徴付け、ペアデータを必要としない解剖学からのイメージスタイルの明示的な切り離しを可能にする。
4,163T1-およびT2-weighted MRIの評価は、画像特徴クラスタリング、ボクセルレベルの比較、組織セグメンテーション、下流年齢と部位分類において、MMHが最先端の手法よりも優れていることを示している。
関連論文リスト
- DIST-CLIP: Arbitrary Metadata and Image Guided MRI Harmonization via Disentangled Anatomy-Contrast Representations [0.7201894411169433]
DIST-CLIP(Disentangled Style Transfer with CLIP Guidance)を提案する。
このフレームワークは画像コントラストから解剖学的内容を明確に切り離し,コントラスト表現を事前学習したCLIPエンコーダを用いて抽出する。
DIST-CLIPを実世界の様々な臨床データセットで訓練し,評価した。
論文 参考訳（メタデータ） (2025-12-08T16:09:10Z) - Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。
MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
論文 参考訳（メタデータ） (2025-08-07T03:41:41Z) - 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) - Unpaired Volumetric Harmonization of Brain MRI with Conditional Latent Diffusion [13.563413478006954]
条件付き潜時拡散(HCLD)による新しい3次元MRI高調波化フレームワークを提案する。
一般化可能な3Dオートエンコーダを備え、4Dラテント空間を通じてMRIを符号化しデコードする。
HCLDは、潜伏分布を学習し、ターゲット画像スタイルで条件付きで、ソースMRIから解剖学的情報と調和したMRIを生成する。
論文 参考訳（メタデータ） (2024-08-18T00:13:48Z) - Enhanced Masked Image Modeling to Avoid Model Collapse on Multi-modal MRI Datasets [6.3467517115551875]
マスク付き画像モデリング(MIM)は、ラベルなしデータの利用において有望であることを示す。
モデル崩壊を, 完全崩壊と次元崩壊の2つのタイプで解析し, 対処する。
HMPとPBTモジュールを併用した拡張MIM(E-MIM)を構築し,マルチモーダルMRIのモデル崩壊を回避する。
論文 参考訳（メタデータ） (2024-07-15T01:11:30Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - Explainable unsupervised multi-modal image registration using deep
networks [2.197364252030876]
MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。
本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
論文 参考訳（メタデータ） (2023-08-03T19:13:48Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z)
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。