論文の概要: Brain MR Image Synthesis with Multi-contrast Self-attention GAN

• arxiv url: http://arxiv.org/abs/2604.00070v1
• Date: Tue, 31 Mar 2026 13:43:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.663105
• Title: Brain MR Image Synthesis with Multi-contrast Self-attention GAN
• Title（参考訳）: マルチコントラスト自己注意GANを用いた脳MR画像合成
• Authors: Zaid A. Abod, Furqan Aziz,
• Abstract要約: 3D-MC-SAGANは3Dマルチコントラスト合成フレームワークである。 腫瘍特性を保ちながら、1つのT2入力から高忠実度欠落モードを生成する。 最先端の定量的性能を達成し、視覚的にコヒーレントで解剖学的に妥当なコントラストを生成する。
• 参考スコア（独自算出の注目度）: 0.2291770711277359
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and complete multi-modal Magnetic Resonance Imaging (MRI) is essential for neuro-oncological assessment, as each contrast provides complementary anatomical and pathological information. However, acquiring all modalities (e.g., T1c, T1n, T2, T2f) for every patient is often impractical due to time, cost, and patient discomfort, potentially limiting comprehensive tumour evaluation. We propose 3D-MC-SAGAN (3D Multi-Contrast Self-Attention generative adversarial network), a unified 3D multi-contrast synthesis framework that generates high-fidelity missing modalities from a single T2 input while explicitly preserving tumour characteristics. The model employs a multi-scale 3D encoder-decoder generator with residual connections and a novel Memory-Bounded Hybrid Attention (MBHA) block to capture long-range dependencies efficiently, and is trained with a WGAN-GP critic and an auxiliary contrast-conditioning branch to produce T2f, T1n, and T1c volumes within a single unified network. A frozen 3D U-Net-based segmentation module introduces a segmentation-consistency constraint to preserve lesion morphology. The composite objective integrates adversarial, reconstruction, perceptual, structural similarity, contrast-classification, and segmentation-guided losses to align global realism with tumour-preserving structure. Extensive evaluation on 3D brain MRI datasets demonstrates that 3D-MC-SAGAN achieves state-of-the-art quantitative performance and generates visually coherent, anatomically plausible contrasts with improved distribution-level realism. Moreover, it maintains tumour segmentation accuracy comparable to fully acquired multi-modal inputs, highlighting its potential to reduce acquisition burden while preserving clinically meaningful information.
• Abstract（参考訳）: それぞれのコントラストが相補的解剖学的および病理学的情報を提供するため、神経腫瘍学的評価には精度と完全なマルチモーダル磁気共鳴画像(MRI)が不可欠である。 しかしながら、すべての患者に対してすべてのモダリティ(eg , T1c, T1n, T2, T2f)を取得することは、時間、費用、患者の不快感のためにしばしば非現実的であり、包括的な腫瘍評価を制限する可能性がある。 3D-MC-SAGAN (3D Multi-Contrast Self-Attention Generative Reversarial Network) は1つのT2入力から高忠実度欠落モードを生成する統合された3Dマルチコントラスト合成フレームワークである。 このモデルは、残差接続を備えたマルチスケール3Dエンコーダデコーダジェネレータと、新しいメモリ境界ハイブリッドアテンション(MBHA)ブロックを用いて、長距離依存を効率的に捉え、単一の統一ネットワーク内でT2f、T1n、T1cボリュームを生成するためにWGAN-GP批評家と補助コントラスト条件分岐を用いて訓練される。 凍結した3D U-Netベースのセグメンテーションモジュールは、病変形態を保存するためにセグメンテーション一貫性制約を導入する。 複合目的は, 対向的, 再構成, 知覚的, 構造的類似性, コントラスト分類, セグメンテーション誘導損失を統合し, 腫瘍保存構造とグローバルリアリズムを整合させる。 3D-MC-SAGANは3D-MC-SAGANを定量的に評価し、分布レベルリアリズムの改善とともに、視覚的に一貫性があり、解剖学的に妥当なコントラストを生成することを示した。 さらに、完全に取得されたマルチモーダル入力に匹敵する腫瘍セグメンテーションの精度を維持し、臨床的に意味のある情報を保持しながら、取得負担を軽減する可能性を強調している。

関連論文リスト

• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation [0.624829068285122]
  機能アライメントのための強化学習により強化されたデュアルブランチU-Netアーキテクチャを提案する。 このモデルは、デュアルブランチU字型ネットワークを用いて、CTとMRIのパッチを並列に処理し、新しいRL-XAlignモジュールを導入する。 公開されているMM-WHS 2017データセットの実験結果は、提案されたRL-U$2$Netが既存の最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-04T16:12:06Z)
• Multimodal Fusion at Three Tiers: Physics-Driven Data Generation and Vision-Language Guidance for Brain Tumor Segmentation [8.695435245976482]
  本稿では,脳腫瘍の正確なセグメンテーションを実現する3層融合アーキテクチャを提案する。 この方法は、画素、特徴、意味レベルで情報を段階的に処理する。 我々は,脳腫瘍(BraTS)2020,2021,2023データセットの検証を行った。
  論文  参考訳（メタデータ） (2025-07-14T06:32:59Z)
• ReCoGNet: Recurrent Context-Guided Network for 3D MRI Prostate Segmentation [11.248082139905865]
  アノテーション付きデータとしてMRIシーケンスをモデル化するハイブリッドアーキテクチャを提案する。 本手法では, 深層保存型DeepVLab3バックボーンを用いて, それぞれのMRIスライスから高レベルなセマンティック特徴を抽出し, コンブLSTM層で構築した再帰的畳み込みヘッドを用いて, スライス間の情報統合を行う。 現状の2D, 3Dセグメンテーションモデルと比較して, 精度, リコール, IoU, Dice similarity Coefficient (DSC) およびロバストネスの点で優れた性能を示す。
  論文  参考訳（メタデータ） (2025-06-24T14:56:55Z)
• Towards Synergistic Deep Learning Models for Volumetric Cirrhotic Liver Segmentation in MRIs [1.5228650878164722]
  世界的死亡の主な原因である肝硬変は、効果的な疾患モニタリングと治療計画のためにROIを正確に区分する必要がある。 既存のセグメンテーションモデルは、複雑な機能インタラクションをキャプチャして、さまざまなデータセットをまたいだ一般化に失敗することが多い。 本稿では、補間潜在空間を拡張的特徴相互作用モデリングに活用する新しい相乗論的理論を提案する。
  論文  参考訳（メタデータ） (2024-08-08T14:41:32Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Self-calibrated convolution towards glioma segmentation [45.74830585715129]
  我々は,nnU-Netネットワークの異なる部分における自己校正畳み込みを評価し,スキップ接続における自己校正加群が,拡張腫瘍と腫瘍コアセグメンテーションの精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-02-07T19:51:13Z)

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。