論文の概要: Eliminating Registration Bias in Synthetic CT Generation: A Physics-Based Simulation Framework

• arxiv url: http://arxiv.org/abs/2602.02130v1
• Date: Mon, 02 Feb 2026 14:14:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.193419
• Title: Eliminating Registration Bias in Synthetic CT Generation: A Physics-Based Simulation Framework
• Title（参考訳）: 合成CT生成におけるレジストレーションバイアスの除去:物理シミュレーションフレームワーク
• Authors: Lukas Zimmermann, Michael Rauter, Maximilian Schmid, Dietmar Georg, Barbara Knäusl,
• Abstract要約: CBCTからの改良された合成生成には、登録されたトレーニングペアが必要であるが、取得したスキャン間での完全な登録は、依然として不可能である。 この登録バイアスは、トレーニングされたモデルに伝播し、標準評価指標を破損させる。 物理に基づくCBCTシミュレーションを提案し、幾何学的に整列したトレーニングペアを構築により提供する。
• 参考スコア（独自算出の注目度）: 0.8699280339422538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised synthetic CT generation from CBCT requires registered training pairs, yet perfect registration between separately acquired scans remains unattainable. This registration bias propagates into trained models and corrupts standard evaluation metrics. This may suggest that superior benchmark performance indicates better reproduction of registration artifacts rather than anatomical fidelity. We propose physics-based CBCT simulation to provide geometrically aligned training pairs by construction, combined with evaluation using geometric alignment metrics against input CBCT rather than biased ground truth. On two independent pelvic datasets, models trained on synthetic data achieved superior geometric alignment (Normalized Mutual Information: 0.31 vs 0.22) despite lower conventional intensity scores. Intensity metrics showed inverted correlations with clinical assessment for deformably registered data, while Normalized Mutual Information consistently predicted observer preference across registration methodologies (rho = 0.31, p < 0.001). Clinical observers preferred synthetic-trained outputs in 87% of cases, demonstrating that geometric fidelity, not intensity agreement with biased ground truth, aligns with clinical requirements.
• Abstract（参考訳）: CBCTからの改良された合成CT生成には、登録されたトレーニングペアが必要であるが、別途取得されたスキャン間での完全な登録は、依然として達成不可能である。 この登録バイアスは、トレーニングされたモデルに伝播し、標準評価指標を破損させる。 これは、優れたベンチマーク性能は、解剖学的な忠実さよりも、登録アーティファクトの再現性が高いことを示唆しているかもしれない。 本研究では,物理に基づくCBCTシミュレーションを提案し,幾何学的に整合したトレーニングペアを構築により提供するとともに,入力CBCTに対する幾何学的アライメント指標を用いた評価を行った。 2つの独立した骨盤データセットにおいて、合成データに基づいて訓練されたモデルは、従来の強度スコアが低いにもかかわらず優れた幾何学的アライメント(Normalized Mutual Information: 0.31 vs 0.22)を達成した。 インテンシティの指標は, 変形可能なデータに対する臨床評価と逆相関を示し, 正常化相互情報では, 登録方法による観察者の嗜好を常に予測していた(rho = 0.31, p < 0.001)。 臨床観察者は87%の症例で合成訓練されたアウトプットを好んだ。

関連論文リスト

• Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
  術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-12-12T08:02:37Z)
• Why Registration Quality Matters: Enhancing sCT Synthesis with IMPACT-Based Registration [1.2560645967579729]
  我々のモデルは、ResNet-34エンコーダを備えた2.5D U-Net++であり、解剖学的領域間で共同で訓練され、各領域ごとに微調整されている。 ローカルテストセットでは、IMPACTベースの登録は相互情報ベースの登録よりも正確で解剖学的に整合性がある。
  論文  参考訳（メタデータ） (2025-10-24T11:40:21Z)
• WaveNet's Precision in EEG Classification [1.0885910878567457]
  本研究では,脳波信号の生理的,病理学的,アーティファクト的,ノイズ的分類の自動化を目的としたWaveNetに基づくディープラーニングモデルを提案する。 モデルは、70/20/10%のスプリットで209,232個のサンプルをトレーニングし、検証し、テストした。 WaveNetのアーキテクチャは、もともと生音声合成のために開発されたもので、拡張因果畳み込みと残差接続を使用するため、EEGデータによく適している。
  論文  参考訳（メタデータ） (2025-10-10T09:21:21Z)
• Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
  このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。 実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。 特徴選択戦略は臨床環境に適応する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T09:03:47Z)
• Improving Clinical Dataset Condensation with Mode Connectivity-based Trajectory Surrogates [15.665823714894605]
  State-of-the-art data condensation (DC)は、プライバシを保存する合成データセットの作成を可能にする。 DC法は、実データおよび合成データに基づいて訓練されたモデルのトレーニングダイナミクスを整列させることにより、合成データを監督する。 これらの制約に対処するため、全SGD軌道をスムーズで低損失なパラメトリックサロゲートに置き換える。 これらのモード接続経路は、勾配を安定化し、収束を加速し、密度の高い軌道記憶の必要性を排除する、ノイズフリーで低曲率の監視信号を提供する。
  論文  参考訳（メタデータ） (2025-10-07T11:22:27Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• A label-free and data-free training strategy for vasculature segmentation in serial sectioning OCT data [4.746694624239095]
  オプティカル・コヒーレンス・トモグラフィー (OCT) は, 死後神経血管の研究でますます人気が高まっている。 ここでは、深層学習セグメンテーションモデルをトレーニングするために、容器の合成データセットを活用する。 どちらのアプローチも同様のDiceスコアを得るが、偽陽性と偽陰率は非常に異なる。
  論文  参考訳（メタデータ） (2024-05-22T15:39:31Z)
• From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
  我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。 実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。 実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
  論文  参考訳（メタデータ） (2023-08-08T19:52:28Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。