論文の概要: MRI-to-CT synthesis using drifting models

• arxiv url: http://arxiv.org/abs/2603.28498v1
• Date: Mon, 30 Mar 2026 14:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.443155
• Title: MRI-to-CT synthesis using drifting models
• Title（参考訳）: ドリフトモデルを用いたMRI-to-CT合成
• Authors: Qing Lyu, Jianxu Wang, Jeremy Hudson, Ge Wang, Chirstopher T. Whitlow,
• Abstract要約: MRI-to-CT合成は、追加の電離放射線を回避しつつ、骨の詳細なCTのような画像を提供することで、MRのみの骨盤CTを可能にする。 本研究では,MRIによる骨盤CT画像の漂流モデルについて検討した。 画像は、畳み込みニューラルネットワーク(UNet, VAE)、生成的敵ネットワーク(WGAN-GP)、物理に着想を得た確率モデル(PPFM)、拡散に基づく手法に対してベンチマークされる。
• 参考スコア（独自算出の注目度）: 5.778834727646095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate MRI-to-CT synthesis could enable MR-only pelvic workflows by providing CT-like images with bone details while avoiding additional ionizing radiation. In this work, we investigate recently proposed drifting models for synthesizing pelvis CT images from MRI and benchmark them against convolutional neural networks (UNet, VAE), a generative adversarial network (WGAN-GP), a physics-inspired probabilistic model (PPFM), and diffusion-based methods (FastDDPM, DDIM, DDPM). Experiments are performed on two complementary datasets: Gold Atlas Male Pelvis and the SynthRAD2023 pelvis subset. Image fidelity and structural consistency are evaluated with SSIM, PSNR, and RMSE, complemented by qualitative assessment of anatomically critical regions such as cortical bone and pelvic soft-tissue interfaces. Across both datasets, the proposed drifting model achieves high SSIM and PSNR and low RMSE, surpassing strong diffusion baselines and conventional CNN-, VAE-, GAN-, and PPFM-based methods. Visual inspection shows sharper cortical bone edges, improved depiction of sacral and femoral head geometry, and reduced artifacts or over-smoothing, particularly at bone-air-soft tissue boundaries. Moreover, the drifting model attains these gains with one-step inference and inference times on the order of milliseconds, yielding a more favorable accuracy-efficiency trade-off than iterative diffusion sampling while remaining competitive in image quality. These findings suggest that drifting models are a promising direction for fast, high-quality pelvic synthetic CT generation from MRI and warrant further investigation for downstream applications such as MRI-only radiotherapy planning and PET/MR attenuation correction.
• Abstract（参考訳）: 正確なMRI-to-CT合成は、追加の電離放射線を回避しつつ、骨の詳細をCTライクな画像で提供することで、MRのみの骨盤ワークフローを可能にする。 本研究では近年,MRIから骨盤CT画像を合成するためのドリフトモデルについて検討し,畳み込みニューラルネットワーク (UNet, VAE) や,生成的敵対的ネットワーク (WGAN-GP) ,物理に着想を得た確率モデル (PPFM) ,拡散に基づく手法 (FastDDPM, DDIM, DDPM) などと比較した。 Gold Atlas Male PelvisとSynthRAD2023 pelvisサブセットの2つの補完的なデータセットで実験が行われた。 SSIM, PSNR, RMSEを用いて画像の忠実度と構造的整合性を評価し, 大脳皮質骨や骨盤軟部組織など解剖学的に重要な領域の質的評価を行った。 いずれのデータセットにおいても,提案したドリフトモデルは高いSSIM, PSNR, 低RMSEを実現し, 強い拡散ベースライン, 従来のCNN-, VAE-, GAN-, PPFMベースの手法を超越している。 視覚検査では、よりシャープな皮質骨縁、仙骨および大腿骨頭形状の描写の改善、骨-空気-軟組織境界におけるアーティファクトやオーバースムーシングが示されている。 さらに、ドリフトモデルはミリ秒の順序で1段階の推測と推測時間でこれらのゲインを得ることができ、画像品質の競争力を維持しながら反復拡散サンプリングよりも良好な精度・効率のトレードオフが得られる。 以上の結果から,ドリフトモデルがMRIによる高速で高品質な骨盤合成CT生成に有望な方向であること,MRIのみの放射線治療計画やPET/MR減衰補正などの下流分野のさらなる研究を保証できることが示唆された。

関連論文リスト

• A Physics-Driven Neural Network with Parameter Embedding for Generating Quantitative MR Maps from Weighted Images [25.060349614170953]
  臨床重み付きMRIによる定量的画像合成の精度と一般化性を改善するために,MRIシーケンスパラメータを統合する深層学習に基づくアプローチを提案する。 物理駆動型ニューラルネットワークは、パラメータ埋め込みを介してMRIシーケンスパラメータを直接モデルに埋め込む。
  論文  参考訳（メタデータ） (2025-08-11T16:01:12Z)
• Accelerating multiparametric quantitative MRI using self-supervised scan-specific implicit neural representation with model reinforcement [6.196152347946904]
  本稿では,暗黙的ニューラル表現とモデル強化モジュールを組み合わせたREFINE-MOREを提案する。 REFINE-MOREはベースライン法と比較して最小の正規化ルート平均二乗誤差と最高構造類似度指数を達成する。
  論文  参考訳（メタデータ） (2025-07-27T03:06:49Z)
• JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
  多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。 従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。 本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
  論文  参考訳（メタデータ） (2025-05-12T23:32:21Z)
• Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models [18.167577989282247]
  本稿では,T1強調MRIスキャンから直接FAマップを生成するためのCycleGANに基づくアプローチを提案する。 提案モデルでは,未確認データに基づいて高忠実度マップを作製し,特に腫瘍領域での強靭な性能を示す。
  論文  参考訳（メタデータ） (2025-05-06T16:05:22Z)
• FgC2F-UDiff: Frequency-guided and Coarse-to-fine Unified Diffusion Model for Multi-modality Missing MRI Synthesis [6.475175425060296]
  我々は、周波数誘導および粗粒拡散モデル(FgC2F-UDiff)という新しい統合合成モデルを提案する。
  論文  参考訳（メタデータ） (2025-01-07T04:42:45Z)
• 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)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• Cycle-guided Denoising Diffusion Probability Model for 3D Cross-modality MRI Synthesis [1.9632065069564202]
  クロスモダリティMRI合成のためのサイクル誘導拡散確率モデル(CG-DDPM) 2つのDDPMが互いに条件付きで、2つの異なるMRIパルスシーケンスから合成画像を生成する。 2つのDDPMは、逆のプロセスでランダム潜時ノイズを交換し、DDPMを正規化し、2つのモードで一致する画像を生成するのに役立つ。
  論文  参考訳（メタデータ） (2023-04-28T18:28:54Z)
• 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。