論文の概要: MRecover: A Conditional Generative Model for Recovering Motion-Corrupted MR images Using AI Generated Contrast

• arxiv url: http://arxiv.org/abs/2605.21669v1
• Date: Wed, 20 May 2026 19:23:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:41.971995
• Title: MRecover: A Conditional Generative Model for Recovering Motion-Corrupted MR images Using AI Generated Contrast
• Title（参考訳）: MRecover:AI生成コントラストを用いた運動関連MR画像の復元のための条件付き生成モデル
• Abstract要約: 海馬のサブフィールドセグメンテーションには高分解能T2wターボスピンエコー(TSE)MRIが必要である。 我々は,日常的に取得したT1w画像を合成してTSE画像を生成する条件生成モデル(MRecover)を開発した。
• 参考スコア（独自算出の注目度）: 1.589197633819835
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hippocampal subfield segmentation requires high-resolution T2w turbo spin echo (TSE) MRI, yet this sequence is susceptible to motion artifacts, leading to substantial data loss. We developed a conditional generative model (MRecover) that synthesizes routinely acquired T1w images to create TSE images with autoregressive slice conditioning for volumetric consistency. Trained on 7T MRI data (n=577), the model achieved high in-domain fidelity (n=148, SSIM=0.84, FSIM=0.94) and generalized well to out-of-domain 3T data: subfield volumes from synthesized and the as-acquired images closely matched: (n=416, r=0.87-0.97) and yielded 31.8% more analyzable subjects in the motion-affected ADNI3 dataset after quality control (593 vs 450). The synthesized images also achieved larger effect sizes due to increasing the sample size for diagnostic group differences in hippocampal subfield atrophy (whole hippocampus $ε^2$= 0.121-0.100 vs. 0.086-0.062, left-right hemispheres). Project page: https://jinghangli98.github.io/MRecover/
• Abstract（参考訳）: 海馬のサブフィールドセグメンテーションには高分解能のT2wターボスピンエコー(TSE)MRIが必要であるが、このシーケンスは運動アーティファクトの影響を受けやすいため、かなりのデータ損失をもたらす。 本研究では,T1w画像の合成と自動回帰スライス条件付きTSE画像の作成を行う条件生成モデル(MRecover)を開発した。 7T MRIデータ(n=577)に基づいて訓練されたこのモデルは、高いドメイン内忠実度(n=148, SSIM=0.84, FSIM=0.94)を達成し、ドメイン外の3Tデータに対してよく一般化された。 また, 海馬サブフィールド萎縮の診断群差(全海馬$ε^2$=0.121-0.100 vs. 0.086-0.062, 左半球)の検体サイズを増大させることにより, より大きな効果が得られた。 プロジェクトページ: https://jinghangli98.github.io/MRecover/

関連論文リスト

• In Defense of OCTA: The Reconstruction-Utility Gap in OCT-to-OCTA Synthesis [35.18016233072556]
  光コヒーレンストモグラフィー(OCTA)は、網膜血流を画像化し、糖尿病網膜症虚血をグレードする毛細血管灌流と卵胞-血管-ゾーンバイオマーカーを提供する。 最近の研究はOCTから合成し、強い再構成(3D PSNR > 31 dB, SSIM > 0.9)を報告している。 合成画像が類似しているかどうかを問うとともに,OCTAが取得した測定値をサポートするかどうかを問う。
  論文  参考訳（メタデータ） (2026-08-16T08:45:34Z)
• Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis [4.271205016216702]
  3D FLAIR MRIは多発性硬化症(MS)における脳画像の標準MRIシークエンスの一つとして広く推奨されている この不足と変動は、堅牢なニューロイメージング機械学習モデルの開発を妨げる。 病変認識FLAIR合成のための3次元条件拡散フレームワークであるLesion-DDPMを提案する。
  論文  参考訳（メタデータ） (2026-06-13T20:21:20Z)
• VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
  拡散モデルは高品質な合成データを生成するが、推論が遅い。 可変ステップ拡散確率モデル(VS-DDPM)を提案する。 我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
  論文  参考訳（メタデータ） (2026-04-24T18:32:22Z)
• POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI [7.901173149711112]
  POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。 提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
  論文  参考訳（メタデータ） (2026-01-14T00:20:13Z)
• An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation [7.487974687364868]
  ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-29T02:22:55Z)
• PanoDiff-SR: Synthesizing Dental Panoramic Radiographs using Diffusion and Super-resolution [60.970656010712275]
  PanoDiff と Super-Resolution (SR) を組み合わせて合成歯科用パノラマ線写真(PR)を作製する手法を提案する。 前者は、SRモデルで処理されたPRの低分解能(LR)シードを生成し、1024×512の高分解能(HR)PRを生成する。 SRでは,局所的・言語的関係を学習し,よりシャープなエッジやテクスチャをもたらす最先端のトランスフォーマーを提案する。
  論文  参考訳（メタデータ） (2025-07-12T09:52:10Z)
• Guided Synthesis of Labeled Brain MRI Data Using Latent Diffusion Models for Segmentation of Enlarged Ventricles [0.4188114563181614]
  医学的コンテキストにおけるディープラーニングモデルは、データの不足、不均一性、プライバシー上の懸念といった課題に直面します。 本研究は, 合成データを用いた脳MRI画像の心室セグメンテーションの改善に焦点を当てた。
  論文  参考訳（メタデータ） (2024-11-02T19:44:10Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Three-Dimensional Amyloid-Beta PET Synthesis from Structural MRI with Conditional Generative Adversarial Networks [45.426889188365685]
  アルツハイマー病の徴候には、アミロイド-ベタ鉱床と脳萎縮がある。 PETは高価で侵襲的であり、患者を電離放射線に曝す。 MRIはより安価で、非侵襲的で、電離放射線を含まないが、脳萎縮の測定に限られる。
  論文  参考訳（メタデータ） (2024-05-03T14:10:29Z)
• Diffusion Probabilistic Models beat GANs on Medical Images [0.13386555802329278]
  医療画像のための条件付き潜伏型DDPMであるMedfusionを提案する。 DDPMモデルとGANモデルを比較し,現在の医療領域における最先端モデルである。 本研究は, DDPMが医用領域における画像合成において, GANsの代替として優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-14T20:46:50Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)

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。