論文の概要: MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction

• arxiv url: http://arxiv.org/abs/2602.07068v1
• Date: Thu, 05 Feb 2026 19:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.417967
• Title: MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction
• Title（参考訳）: MRIクロスモーダル合成:T1-to-T2再構成における生成モデルの比較検討
• Authors: Ali Alqutayfi, Sadam Al-Azani,
• Abstract要約: クロスモーダルMRI合成は、ある取得プロトコルから別の取得プロトコルを使って画像を生成する。 本稿では, Pix2Pix GAN, CycleGAN, variational Autoencoder (VAE) の3種類のT1-to-T2MRI再構成モデルの比較を行った。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MRI cross-modal synthesis involves generating images from one acquisition protocol using another, offering considerable clinical value by reducing scan time while maintaining diagnostic information. This paper presents a comprehensive comparison of three state-of-the-art generative models for T1-to-T2 MRI reconstruction: Pix2Pix GAN, CycleGAN, and Variational Autoencoder (VAE). Using the BraTS 2020 dataset (11,439 training and 2,000 testing slices), we evaluate these models based on established metrics including Mean Squared Error (MSE), Peak Signal-to-Noise Ratio (PSNR), and Structural Similarity Index (SSIM). Our experiments demonstrate that all models can successfully synthesize T2 images from T1 inputs, with CycleGAN achieving the highest PSNR (32.28 dB) and SSIM (0.9008), while Pix2Pix GAN provides the lowest MSE (0.005846). The VAE, though showing lower quantitative performance (MSE: 0.006949, PSNR: 24.95 dB, SSIM: 0.6573), offers advantages in latent space representation and sampling capabilities. This comparative study provides valuable insights for researchers and clinicians selecting appropriate generative models for MRI synthesis applications based on their specific requirements and data constraints.
• Abstract（参考訳）: MRIのクロスモーダル合成は、ある取得プロトコルから別の取得プロトコルを使って画像を生成し、診断情報を維持しながらスキャン時間を短縮し、かなりの臨床的価値を提供する。 本稿では, Pix2Pix GAN, CycleGAN, Variational Autoencoder (VAE) の3種類のT1-to-T2 MRI再構成モデルの比較を行った。 BraTS 2020データセット(11,439のトレーニングと2,000のテストスライス)を用いて、平均正方形誤差(MSE)、ピーク信号-雑音比(PSNR)、構造類似度指数(SSIM)といった既存の指標に基づいてこれらのモデルを評価する。 実験の結果、全てのモデルがT1入力からT2画像の合成に成功し、CycleGANは最高のPSNR(32.28dB)とSSIM(0.9008)を達成し、Pix2Pix GANは最低のMSE(0.005846)を提供することがわかった。 VAEは定量性能が低い(MSE: 0.006949、PSNR: 24.95 dB、SSIM: 0.6573)が、遅延空間表現とサンプリング能力に利点がある。 この比較研究は、MRI合成のための適切な生成モデルを選択する研究者や臨床医に、その特定の要件とデータ制約に基づいて貴重な知見を提供する。

関連論文リスト

• Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
  パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。 また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。 PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
  論文  参考訳（メタデータ） (2025-11-07T03:51:00Z)
• An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation [7.487974687364868]
  ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-29T02:22:55Z)
• SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation [4.45678909876146]
  2つのバックボーン構造を持つ14種類のトランスフォーマーモデルと畳み込みモデルを、96,605個の心室逆転型シネコンプレックスの2,885,236枚の大データセット上にトレーニングした。 SNRAwareと呼ばれるこのトレーニングスキームは、MRI再構成プロセスの知識を活用して、大規模で高品質で多様な合成データセットをシミュレートし、モデルに対するノイズ分布に関する定量的情報を提供することにより、ノイズ発生性能を向上させる。
  論文  参考訳（メタデータ） (2025-03-23T18:16:36Z)
• 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)
• Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
  物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。 我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
  論文  参考訳（メタデータ） (2023-05-21T21:16:20Z)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)
• Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
  信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。 モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。 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） (2020-08-06T20:20:22Z)
• 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。