論文の概要: Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma

• arxiv url: http://arxiv.org/abs/2603.08385v1
• Date: Mon, 09 Mar 2026 13:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:16.105894
• Title: Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma
• Title（参考訳）: グリオーマに対する放射線治療前脳MRIの血流予測
• Authors: Selena Huisman, Nordin Belkacemi, Vera Keil, Joost Verhoeff, Szabolcs David,
• Abstract要約: 人工知能(AI)の最近の進歩は、臨床データから条件付きマルチモーダル画像の生成を可能にする。 そこで本研究では, トラクタル内腫瘍におけるAIによる追跡MRIの生成について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose/Objective: Brain tumors result in 20 years of lost life on average. Standard therapies induce complex structural changes in the brain that are monitored through MRI. Recent developments in artificial intelligence (AI) enable conditional multimodal image generation from clinical data. In this study, we investigate AI-driven generation of follow-up MRI in patients with in- tracranial tumors through conditional image generation. This approach enables realistic modeling of post-radiotherapy changes, allowing for treatment optimization. Material/Methods: The public SAILOR dataset of 25 patients was used to create a 2D rectified flow model conditioned on axial slices of pre-treatment MRI and RT dose maps. Cross-attention conditioning was used to incorporate temporal and chemotherapy data. The resulting images were validated with structural similarity index measure (SSIM), peak signal-to-noise ratio (PSNR), Dice scores and Jacobian determinants. Results: The resulting model generates realistic follow-up MRI for any time point, while integrating treatment information. Comparing real versus predicted images, SSIM is 0.88, and PSNR is 22.82. Tissue segmentations from real versus predicted MRI result in a mean Dice-Sørensen coefficient (DSC) of 0.91. The rectified flow (RF) model enables up to 250x faster inference than Denoising Diffusion Probabilistic Models (DDPM). Conclusion: The proposed model generates realistic follow-up MRI in real-time, preserving both semantic and visual fidelity as confirmed by image quality metrics and tissue segmentations. Conditional generation allows counterfactual simulations by varying treatment parameters, producing predicted morphological changes. This capability has potential to support adaptive treatment dose planning and personalized outcome prediction for patients with intracranial tumors.
• Abstract（参考訳）: 目的/目的:脳腫瘍は平均して20年間失われる。 標準療法は、MRIを通して観察される脳の複雑な構造変化を引き起こす。 人工知能(AI)の最近の進歩は、臨床データから条件付きマルチモーダル画像の生成を可能にする。 本研究では, トラクタル内腫瘍における条件付き画像生成による, AIによる追跡MRIの生成について検討した。 このアプローチは放射線治療後の変化の現実的なモデリングを可能にし、治療の最適化を可能にする。 材料・方法: 一般患者25名のSAILORデータセットを用いて, 治療前MRIおよびRT線量マップの軸スライスを条件とした2次元整流モデルを構築した。 経時的および化学療法データを組み込むためにクロスアテンション・コンディショニングが用いられた。 その結果, 構造類似度指標 (SSIM) , ピーク信号-雑音比 (PSNR) , Dice スコア, ジャコビアン行列式が得られた。 結果: 得られたモデルでは, 治療情報を統合しながら, 任意の時点において, リアルなフォローアップMRIを生成する。 SSIM は 0.88 であり、PSNR は 22.82 である。 Dice-Sørensen係数(DSC)は0.91である。 修正フロー(RF)モデルは、拡散確率モデル(DDPM)よりも最大250倍高速な推論を可能にする。 結論: 提案モデルでは, 画像品質指標と組織セグメンテーションにより, 意味的および視覚的忠実性の両方を保存し, リアルタイムに現実的なフォローアップMRIを生成する。 条件生成は、様々な処理パラメータによる反ファクトシミュレーションを可能にし、予測された形態変化を発生させる。 この能力は頭蓋内腫瘍に対する適応的治療用量計画とパーソナライズされた予後予測を支援する可能性がある。

関連論文リスト

• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Diffusion Models for conditional MRI generation [0.0]
  脳磁気共鳴画像(MRI)生成のための潜時拡散モデル(LDM)を提案する。 生成画像の品質を評価するために、Fr'echet Inception Distance(FID)とMulti-Scale Structure similarity Index(MS-SSIM)のメトリクスを使用した。
  論文  参考訳（メタデータ） (2025-02-25T20:08:29Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
  時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。 トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。 我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
  論文  参考訳（メタデータ） (2024-06-18T09:00:49Z)
• Spatiotemporal Graph Neural Network Modelling Perfusion MRI [12.712005118761516]
  Per vascular MRI (pMRI) は腫瘍について貴重な洞察を与え、腫瘍の遺伝子型を予測することを約束する。 しかし、4D pMRIに合わせた効果的なモデルはまだ不足している。 本研究は,GNNモデルを用いた4次元pMRIのモデル化の試みである。
  論文  参考訳（メタデータ） (2024-06-10T16:24:46Z)
• Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction [0.5667953366862138]
  本稿では,腫瘍マスクの将来の予測と,腫瘍が今後の治療計画にどう対応するかのマルチパラメトリック磁気共鳴画像(MRI)を提案する。 我々のアプローチは、最先端拡散確率モデルとディープセグメンテーションニューラルネットワークに基づいている。
  論文  参考訳（メタデータ） (2023-09-11T12:12:52Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)

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。