論文の概要: Cross-Modal Knowledge Distillation for PET-Free Amyloid-Beta Detection from MRI

• arxiv url: http://arxiv.org/abs/2604.12574v1
• Date: Tue, 14 Apr 2026 10:52:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.401097
• Title: Cross-Modal Knowledge Distillation for PET-Free Amyloid-Beta Detection from MRI
• Title（参考訳）: MRIによるPETフリーアミロイドベータ検出のためのクロスモーダル知識蒸留法
• Authors: Francesco Chiumento, Julia Dietlmeier, Ronan P. Killeen, Kathleen M. Curran, Noel E. O'Connor, Mingming Liu,
• Abstract要約: A$の陽性はアルツハイマー病の早期診断に不可欠であるが、通常はPET画像を必要とする。 本稿では,MRI単独でA$$予測が可能なPET誘導型知識蒸留フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.083880525992651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting amyloid-$β$ (A$β$) positivity is crucial for early diagnosis of Alzheimer's disease but typically requires PET imaging, which is costly, invasive, and not widely accessible, limiting its use for population-level screening. We address this gap by proposing a PET-guided knowledge distillation framework that enables A$β$ prediction from MRI alone, without requiring non-imaging clinical covariates or PET at inference. Our approach employs a BiomedCLIP-based teacher model that learns PET-MRI alignment via cross-modal attention and triplet contrastive learning with PET-informed (Centiloid-aware) online negative sampling. An MRI-only student then mimics the teacher via feature-level and logit-level distillation. Evaluated across four MRI contrasts (T1w, T2w, FLAIR, T2*) and two independent datasets, our approach demonstrates effective knowledge transfer (best AUC: 0.74 on OASIS-3, 0.68 on ADNI) while maintaining interpretability and eliminating the need for clinical variables. Saliency analysis confirms that predictions focus on anatomically relevant cortical regions, supporting the clinical viability of PET-free A$β$ screening. Code is available at https://github.com/FrancescoChiumento/pet-guided-mri-amyloid-detection.
• Abstract（参考訳）: アミロイド$β$(A$β$)の検出はアルツハイマー病の早期診断に不可欠であるが、一般的にはPET画像を必要とする。 このギャップに対処するために,MRIだけでA$β$を予測できるPET誘導の知識蒸留フレームワークを提案する。 提案手法は,PET-MRIアライメントを相互注意で学習するBiomedCLIPベースの教師モデルと,PET-informed(Centiloid-aware)オンライン陰性サンプリングを用いた3重コントラスト学習を用いる。 MRIのみの学生は、特徴レベルとロジトレベルの蒸留を通じて教師を模倣する。 T1w, T2w, FLAIR, T2*) と2つの独立したデータセットを比較検討し, 解釈可能性を維持しつつ, 臨床変数の必要性を排除しつつ, 効果的な知識伝達(AUC: 0.74, OASIS-3: 0.68, ADNI)を実証した。 サリエンシ分析により、予測は解剖学的に関連のある皮質領域に焦点を当て、PETフリーA$β$スクリーニングの臨床的生存性を支持することが確認された。 コードはhttps://github.com/FrancescoChiumento/pet-guided-mri-amyloid-detectionで公開されている。

関連論文リスト

• Precision Synthesis of Multi-Tracer PET via VLM-Modulated Rectified Flow for Stratifying Mild Cognitive Impairment [18.327314951102533]
  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。
  論文  参考訳（メタデータ） (2026-04-13T08:37:24Z)
• Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
  マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。 T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。 本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
  論文  参考訳（メタデータ） (2026-04-01T14:50:18Z)
• 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)
• Diffusion Bridge Networks Simulate Clinical-grade PET from MRI for Dementia Diagnostics [20.93414282937884]
  診断品質のFDG-PET像をシミュレートするために,MRIから確率的マッピングと補助的患者情報を学ぶフレームワークSiM2Pを提案する。 SiM2Pは3群の鑑別精度を75.0%から84.7%に改善した。
  論文  参考訳（メタデータ） (2025-10-17T11:42:11Z)
• 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)
• PASTA: Pathology-Aware MRI to PET Cross-Modal Translation with Diffusion Models [7.6672160690646445]
  本研究では,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PASTAを紹介する。 サイクル交換一貫性とボリューム生成戦略は、高品質な3DPETスキャンを生成するPASTAの能力を高める。 アルツハイマー分類では、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） (2024-05-27T08:33:24Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
  本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。 矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。 本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
  論文  参考訳（メタデータ） (2021-05-18T11:37:57Z)

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。