論文の概要: Precision Synthesis of Multi-Tracer PET via VLM-Modulated Rectified Flow for Stratifying Mild Cognitive Impairment

• arxiv url: http://arxiv.org/abs/2604.11176v2
• Date: Thu, 16 Apr 2026 02:18:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 16:09:14.156713
• Title: Precision Synthesis of Multi-Tracer PET via VLM-Modulated Rectified Flow for Stratifying Mild Cognitive Impairment
• Title（参考訳）: VLM変調整流流によるマルチトラッカーPETの精密合成と成層的軽度認知障害
• Authors: Tuo Liu, Shuijin Lin, Shaozhen Yan, Haifeng Wang, Jie Lu, Jianhua Ma, Chunfeng Lian,
• Abstract要約: マルチトラック合成PETをMRIから合成するドメインインフォームド ReCT フローモデル DIReCT$++$ を紹介する。 当社のアプローチでは,複雑なクロスモーダルおよびクロストラサー関係を捉えるために,3次元修正フローアーキテクチャを統合している。 以上の結果から,DIReCT$++$は優れた忠実度と一般化性を有する合成PET画像を生成するだけでなく,病原性パターンを正確に再カプセル化することを示した。
• 参考スコア（独自算出の注目度）: 18.327314951102533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The biological definition of Alzheimer's disease (AD) relies on multi-modal neuroimaging, yet the clinical utility of positron emission tomography (PET) is limited by cost and radiation exposure, hindering early screening at preclinical or prodromal stages. While generative models offer a promising alternative by synthesizing PET from magnetic resonance imaging (MRI), achieving subject-specific precision remains a primary challenge. Here, we introduce DIReCT$++$, a Domain-Informed ReCTified flow model for synthesizing multi-tracer PET from MRI combined with fundamental clinical information. Our approach integrates a 3D rectified flow architecture to capture complex cross-modal and cross-tracer relationships with a domain-adapted vision-language model (BiomedCLIP) that provides text-guided, personalized generation using clinical scores and imaging knowledge. Extensive evaluations on multi-center datasets demonstrate that DIReCT$++$ not only produces synthetic PET images ($^{18}$F-AV-45 and $^{18}$F-FDG) of superior fidelity and generalizability but also accurately recapitulates disease-specific patterns. Crucially, combining these synthesized PET images with MRI enables precise personalized stratification of mild cognitive impairment (MCI), advancing a scalable, data-efficient tool for the early diagnosis and prognostic prediction of AD. The source code will be released on https://github.com/ladderlab-xjtu/DIReCT-PLUS.
• Abstract（参考訳）: アルツハイマー病(AD)の生物学的定義はマルチモーダル・ニューロイメージングに依存しているが、ポジトロン・エミッション・トモグラフィ(PET)の臨床的有用性は、費用と放射線曝露によって制限され、前頭葉または前頭葉の早期スクリーニングを妨げている。 生成モデルは、磁気共鳴画像(MRI)からPETを合成することで、有望な代替手段を提供するが、主観的な精度を達成することは、依然として主要な課題である。 本稿では,MRIから多トラックPETを合成するためのドメインインフォームドCTフローモデルDIReCT$++$と基本的な臨床情報を紹介する。 提案手法は3次元修正フローアーキテクチャを組み込んで,臨床スコアと画像知識を用いたテキスト誘導・パーソナライズド生成を提供するドメイン適応視覚言語モデル (BiomedCLIP) と複雑なクロスモーダル・クロストラサー関係を捉える。 DIReCT$++$は合成PET画像(^{18}$F-AV-45と$^{18}$F-FDG)を生成するだけでなく、疾患固有のパターンを正確に再カプセル化することを示した。 重要なことは、これらの合成PET画像とMRIを組み合わせることで、軽度認知障害(MCI)を正確にパーソナライズし、ADの早期診断と予後予測のためのスケーラブルでデータ効率の良いツールを進化させることができる。 ソースコードはhttps://github.com/ladderlab-xjtu/DIReCT-PLUSで公開される。

関連論文リスト

• Translating MRI to PET through Conditional Diffusion Models with Enhanced Pathology Awareness [9.229807776105504]
  PASTAは,病的認知度を高めた条件付き拡散モデルに基づく新しい画像翻訳フレームワークである。 アルツハイマーの診断では、これらの合成スキャンの性能はMRIよりも4%向上し、実際のPETの性能にほぼ達する。
  論文  参考訳（メタデータ） (2026-03-19T13:36:19Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
  我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。 マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。 本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
  論文  参考訳（メタデータ） (2025-08-08T10:01:16Z)
• Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
  本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。 私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。 18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
  論文  参考訳（メタデータ） (2025-06-04T10:24:14Z)
• Synthesizing beta-amyloid PET images from T1-weighted Structural MRI: A Preliminary Study [6.4038303148510005]
  T1強調MRI画像から3次元拡散モデルを用いてA$beta$-PET画像を合成する手法を提案する。 本手法は, 軽度認知障害 (MCI) 患者に対して有効ではないものの, 認知正常症例に対して高品質なA$beta$-PET画像を生成する。
  論文  参考訳（メタデータ） (2024-09-26T20:51:59Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)
• 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。