論文の概要: SIAM: Head and Brain MRI Segmentation from Few High-Quality Templates via Synthetic Training

• arxiv url: http://arxiv.org/abs/2605.02737v1
• Date: Mon, 04 May 2026 15:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.379814
• Title: SIAM: Head and Brain MRI Segmentation from Few High-Quality Templates via Synthetic Training
• Title（参考訳）: SIAM: 合成学習による高品質テンプレートの頭部・脳MRI分割
• Authors: Romain Valabregue, Ines Khemir, Eric Badinet, François Rousseau, Guillaume Auzias, Reuben Dorent,
• Abstract要約: Segment It All Model (SIAM)は、16の解剖学的構造のための3D全体セグメント化フレームワークである。 SIAMは脳と脳外組織を同時に分節し、脳脊髄液、血管、硬膜、頭蓋骨、皮膚を含む。
• 参考スコア（独自算出の注目度）: 0.4770448296514673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic training has recently advanced brain MRI segmentation by enabling contrast-agnostic models trained entirely on generated data. However, most existing approaches rely on hundreds of automatically labeled templates, introducing systematic biases and limiting their flexibility to incorporate new anatomical structures. We present the Segment It All Model (SIAM), a 3D whole-head segmentation framework for 16 anatomical structures, trained using only six high-quality, manually annotated templates. SIAM extends domain randomization to both intensity and shape domains: synthetic image generation ensures contrast variability, while high-resolution spatial transformations model anatomical differences in cortical thickness and deep nuclei morphology. Unlike prior synthetic models, SIAM simultaneously segments brain as well as extra-cerebral tissues, including cerebrospinal fluid, vessels, dura mater, skull, and skin, enabling fully automated, preprocessing-free analysis. Evaluation across eight heterogeneous datasets (N=301), that include multiple contrasts (T1-weighted, T2-weighted, CT) and span a wide range of ages, demonstrates that SIAM matches or outperforms state-of-the-art methods for brain structures, in addition to extending automated segmentation to non-brain structures. The model also exhibits superior consistency across contrasts and repeated acquisitions, together with improved sensitivity to subtle gray matter atrophy. We openly release the model and the label templates at https://github.com/romainVala/SIAM.
• Abstract（参考訳）: 合成トレーニングは、最近、完全に生成されたデータに基づいて訓練されたコントラスト非依存モデルを有効にすることで、脳MRIのセグメンテーションを進歩させた。 しかし、既存のアプローチのほとんどは、何百もの自動的にラベル付けされたテンプレートに依存し、体系的なバイアスを導入し、新しい解剖学的構造を組み込む柔軟性を制限する。 我々は16の解剖学的構造のための3次元全体セグメント化フレームワークであるSegment It All Model (SIAM)を6つの高品質な手動アノテーションテンプレートでトレーニングした。 合成画像生成はコントラスト変動を保証し、高分解能空間変換は皮質の厚さと深部核形態の解剖学的差異をモデル化する。 以前の合成モデルとは異なり、SIAMは脳脊髄液、血管、ダラマター、頭蓋骨、皮膚を含む脳外組織を同時に分割し、完全に自動化された前処理のない分析を可能にする。 マルチコントラスト(T1-weighted, T2-weighted, CT)を含む8つの異種データセット(N=301)による評価は、SIAMが脳構造に対する最先端の手法に適合または優れ、非脳構造への自動セグメンテーションを拡張していることを示す。 このモデルはまた、コントラストと反復的な獲得に優れた一貫性を示し、微妙な灰白質萎縮に対する感度を改善した。 モデルとラベルテンプレートはhttps://github.com/romainVala/SIAMで公開しています。

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)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Cortex-Grounded Diffusion Models for Brain Image Generation [10.384765005941782]
  Cor2Voxは脳磁気共鳴画像(MRI)合成のための大脳皮質基底生成フレームワークである。 高分解能な皮質表面を利用して、3次元形状から像へのブラウン橋の拡散過程を導く。 また,Cor2Voxは皮質の微細な形態をサブボクセルレベルで保存し,皮質形状や疾患の表現型の変化に顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2026-01-27T11:34:43Z)
• Anatomically Guided Latent Diffusion for Brain MRI Progression Modeling [10.62087466710015]
  Anatomically Guided Latent Diffusion Model (AG-LDM)は、解剖学的に一貫した進行を強制するセグメンテーション誘導フレームワークである。 軽量な3D組織セグメンテーションモデル(WarpSeg)は、オートエンコーダの微調整と拡散モデルトレーニングの両方において、明確な解剖学的監督を提供する。
  論文  参考訳（メタデータ） (2026-01-21T01:45:36Z)
• 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)
• Deep Generative Model-Based Generation of Synthetic Individual-Specific Brain MRI Segmentations [6.66216112298345]
  個人のための合成脳MRIセグメンテーションを生成できる最初のアプローチを提案する。 提案手法では,新しい深層生成モデルCSeg Synthが特徴的であり,既存の顕著な生成モデルよりも優れている。 個々の生成の有効性を評価する際、平均絶対誤差は36.44mL、29.20mL、35.51mLである。
  論文  参考訳（メタデータ） (2025-04-15T21:25:36Z)
• Synthesizing Individualized Aging Brains in Health and Disease with Generative Models and Parallel Transport [3.43699245553078]
  InBrainSynは、アルツハイマー病(AD)と正常な老化をシミュレートする高分解能被検者特異的MRIスキャンのためのフレームワークである。 InBrainSynは、並列トランスポートアルゴリズムを使用して、生成的な深層テンプレートネットワークによって学習された人口レベルの老化軌道に適応する。 全体としては、単一のベースラインスキャンだけで、InBrainSynは現実的な3D時間的T1w MRIスキャンを合成し、パーソナライズされた経年変化の軌跡を生成する。
  論文  参考訳（メタデータ） (2025-02-28T13:45:09Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• A Contrast-Adaptive Method for Simultaneous Whole-Brain and Lesion Segmentation in Multiple Sclerosis [0.15833270109954134]
  MRIによる白質病変と正常に出現する神経解剖学的構造を同時分離する方法を提案する。 この方法は、白質病変の新しいモデルと、以前に検証された全脳セグメンテーションの生成モデルを統合する。
  論文  参考訳（メタデータ） (2020-05-11T14:25:35Z)

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。