論文の概要: Generative Modeling of Complex-Valued Brain MRI Data

• arxiv url: http://arxiv.org/abs/2604.14800v1
• Date: Thu, 16 Apr 2026 09:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.819794
• Title: Generative Modeling of Complex-Valued Brain MRI Data
• Title（参考訳）: 複合価値脳MRIデータの生成モデリング
• Authors: Marco Schlimbach, Moritz Rempe, Jessica Mnischek, Lukas T. Rotkopf, Jens Weingarten, Jens Kleesiek, Kevin Kröninger,
• Abstract要約: 本研究の目的は、複雑なMRIスキャンの大きさと位相情報を共同でモデル化できる生成フレームワークを構築することである。 提案する生成フレームワークは, 複素数値MRIスキャンをコンパクトな潜在表現に圧縮する条件付き変分オートエンコーダを組み合わせる。
• 参考スコア（独自算出の注目度）: 5.046906491246382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective. Standard Magnetic Resonance Imaging (MRI) reconstruction pipelines discard phase information captured during acquisition, despite evidence that it encodes tissue properties relevant to tumor diagnosis. Current machine learning approaches inherit this limitation by operating exclusively on reconstructed magnitude images. The aim of this study is to build a generative framework which is capable of jointly modeling magnitude and phase information of complex-valued MRI scans. Approach. The proposed generative framework combines a conditional variational autoencoder, which compresses complex-valued MRI scans into compact latent representations while preserving phase coherence, with a flow-matching-based generative model. Synthetic sample quality is assessed via a real-versus-synthetic classifier and by training downstream classifiers on synthetic data for abnormal tissue detection. Main results. The autoencoder preserves phase coherence above 0.997. Real-versus-synthetic classification yields low AUROC values between 0.50 and 0.66 across all acquisition sequences, indicating generated samples are nearly indistinguishable from real data. In downstream normal-versus-abnormal classification, classifiers trained entirely on synthetic data achieve an AUROC of 0.880, surpassing the real-data baseline of 0.842 on a publicly available dataset (fastMRI). This advantage persists on an independent external test set from a different institution with biopsy-confirmed labels. Significance. The proposed framework demonstrates the feasibility of jointly modeling magnitude and phase information for normal and abnormal complex-valued brain MRI data. Beyond synthetic data generation, it establishes a foundation for the usage of complete brain MRI information in future diagnostic applications and enables systematic investigation of how magnitude and phase jointly encode pathology-specific features.
• Abstract（参考訳）: 目的。 MRI(Standard Magnetic Resonance Imaging)再建パイプラインは、腫瘍診断に関連する組織特性をコード化している証拠にもかかわらず、取得時に取得した位相情報を破棄する。 現在の機械学習アプローチは、再構成された等級画像にのみアクセスすることで、この制限を継承している。 本研究の目的は、複雑なMRIスキャンの規模と位相情報を共同でモデル化できる生成フレームワークを構築することである。 アプローチ。 提案手法は, 位相コヒーレンスを保ちながら, 複素数値MRIスキャンをコンパクトな潜在表現に圧縮する条件付き変分オートエンコーダと, フローマッチングに基づく生成モデルを組み合わせた。 合成試料の品質は、実逆合成分類器および異常組織検出のための合成データに基づいて下流分類器を訓練することにより評価される。 主な結果。 オートエンコーダは0.997以上の位相コヒーレンスを保持する。 実逆合成分類では、全ての取得シーケンスで0.50から0.66の低いAUROC値が得られるため、生成されたサンプルは実データとほとんど区別できない。 下流の正規対非正規分類では、合成データで完全に訓練された分類器は、0.880のAUROCを達成し、公開データセット(fastMRI)で0.842の実際のデータベースラインを超えた。 この利点は、生検確認されたラベルを持つ別の機関からの独立した外部テストセットに持続する。 重要なこと。 提案手法は, 正常脳と異常脳のMRIデータに対して, 共同モデリングと位相情報の実現可能性を示すものである。 合成データ生成以外にも、将来の診断アプリケーションで完全な脳MRI情報を使用するための基盤を確立し、どのように大きさとフェーズが病理学特有の特徴をコードするかを体系的に調査することを可能にする。

関連論文リスト

• Rectified flow-based prediction of post-treatment brain MRI from pre-radiotherapy priors for patients with glioma [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-09T13:43:58Z)
• 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)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Assessment of Using Synthetic Data in Brain Tumor Segmentation [0.3222802562733786]
  本研究では,プリトレーニングGANモデルを用いて生成した合成MRIデータをU-Netセグメンテーションネットワークに組み込むことが,概念実証として,U-Netセグメンテーションネットワークのトレーニングに与える影響について検討する。 BraTS 2020データセットの実際のデータ、メディガンライブラリで生成された合成データ、および実際のサンプルと合成サンプルを様々な割合で組み合わせたハイブリッドデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-08-16T05:56:38Z)
• Enhancing Privacy: The Utility of Stand-Alone Synthetic CT and MRI for Tumor and Bone Segmentation [2.4345008922715756]
  頭頸部癌CTと脳グリオーマMRIを2つの大きなデータセットから用いた。 生成逆数ネットワークと拡散モデルを用いて合成データを生成する。 MAE, MS-SSIM, Radiomics and a Visual Turing Test (VTT) を用いて合成データの質を評価する。
  論文  参考訳（メタデータ） (2025-06-13T08:17:48Z)
• PhaseGen: A Diffusion-Based Approach for Complex-Valued MRI Data Generation [1.683019219727036]
  磁気共鳴イメージング(MRI)の生データ(k空間データ)は複雑に評価され、大きさと位相情報の両方を含む。 我々は、大容量画像に条件付けされた合成MRI生データを生成するための、複素数値拡散モデルである$textitPhaseGen$を紹介した。 以上の結果から, 合成位相データによるトレーニングは, 実世界のデータにおける頭蓋骨切断の一般化を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-04-10T08:44:19Z)
• 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)
• 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)
• Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial Transformers [0.0]
  Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。 アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。 脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
  論文  参考訳（メタデータ） (2021-05-15T02:01:21Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。