論文の概要: A Systematic Benchmark of Intraoperative Ultrasound-to-MR Synthesis for Brain Tumour Surgery
- arxiv url: http://arxiv.org/abs/2606.00630v1
- Date: Sat, 30 May 2026 09:05:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.565086
- Title: A Systematic Benchmark of Intraoperative Ultrasound-to-MR Synthesis for Brain Tumour Surgery
- Title（参考訳）: 脳腫瘍手術における術中超音波-MR合成の全身的評価
- Abstract要約: 術中超音波(ioUS)は脳腫瘍手術において多彩で費用対効果が高い。
以前の作業のほとんどは、単一のアーキテクチャを独立して評価しています。
アーキテクチャパラダイム、推論規則、ダウンストリームタスクエンドポイントにまたがるベンチマークはない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intraoperative ultrasound (ioUS) is a versatile, cost-effective modality in brain tumour surgery, but its interpretation is difficult: acquisition planes are non-standard, artefacts are modality-specific, and its appearance differs markedly from the preoperative MRI on which surgical-planning tools, segmentation models and the surgeon's experience rely. Synthesising MRI-like images from ioUS could let this MRI-based infrastructure be reused intraoperatively without an extra scan. Most prior work evaluates a single architecture in isolation; to our knowledge, no benchmark has spanned architectural paradigms, inference regimes and downstream-task endpoints under a common protocol. We address this gap on the public ReMIND data set (76 patients; 153 paired ioUS/T2w and 104 paired ioUS/FLAIR studies; 60/16 patient-level train/held-out split). Six generators (four GAN baselines: Pix2Pix, SwinPix2Pix, CycleGAN, CUT; the transformer-augmented ResViT; and the few-step diffusion model SynDiff) were each trained under four inference regimes (2D, 2.5D, 2D + 3D-refinement, full-3D) and two targets (T2w only; T2w + FLAIR multi-task), yielding 48 experiments. Image-fidelity metrics (SSIM, PSNR, MAE, LPIPS) were complemented by an nnU-Net v2 downstream segmentation evaluation (tumour and resection cavity) and by subgroup analyses by histological grade and reoperation. No architecture dominated every axis, and, critically, perceptual quality tracked downstream utility most closely (LPIPS, r=-0.66, p<0.001), whereas higher SSIM was associated with worse utility (r=-0.64, p<0.001); SynDiff-2.5D best preserved downstream segmentation (U_Dice=0.55). Perceptual and downstream-task metrics should therefore be reported alongside or in preference to global SSIM, and architecture choice conditioned on surgical phase, patient history and clinical objective.
- Abstract（参考訳）: 術中超音波(ioUS)は、脳腫瘍手術において汎用的で費用対効果のよいモダリティであるが、その解釈は困難である: 取得面は非標準であり、アーティファクトはモダリティに特有であり、その外観は、手術計画ツール、セグメンテーションモデル、および外科医の経験が依存する術前MRIと著しく異なる。
ioUSからMRIライクな画像を合成することで、このMRIベースのインフラを、余分なスキャンなしで術中再利用することができる。
私たちの知る限りでは、共通のプロトコルの下でアーキテクチャのパラダイムや推論の仕組み、ダウンストリーム・タスクのエンドポイントにベンチマークは適用されていません。
このギャップはパブリックReMINDデータセット(76例, ioUS/T2w153例, ioUS/FLAIR104例, 60/16例)に対処した。
6つの発電機(Pix2Pix, SwinPix2Pix, CycleGAN, CUT, Transformer-augmented ResViT, そして数ステップの拡散モデルSynDiff)はそれぞれ4つの推論規則(2D, 2.5D, 2D + 3D-refinement, full-3D)と2つのターゲット(T2wのみ、T2w + FLAIRマルチタスク)で訓練され、48の実験が行われた。
Image-fidelity metrics (SSIM, PSNR, MAE, LPIPS) は, nnU-Net v2下流セグメンテーション評価 (腫瘍と切除腔) と, 組織学的グレードと再手術によるサブグループ解析により補完された。
アーキテクチャがすべての軸を支配しておらず、重要な点として、下流ユーティリティを最もよく追跡した知覚品質(LPIPS, r=-0.66, p<0.001)は存在しないが、高いSSIMはより悪いユーティリティ(r=-0.64, p<0.001)に関連付けられており、SynDiff-2.5Dは下流セグメンテーション(U_Dice=0.55)で保存されている。
したがって、グローバルSSIMや、外科的フェーズ、患者歴、臨床目的に応じて、知覚的およびダウンストリーム・タスクのメトリクスを報告すべきである。
関連論文リスト
- What neurosurgeons need to see: synthetic intra-operative MRI from ultrasound for brain-shift compensation in brain tumour surgery [0.0]
本稿では,術前画像領域における新しい脳内MRIボリュームを生成するエンド・ツー・エンドパイプラインを提案する。
専門家のランドマークが215名ある14名の被験者において、合成アンコールされた登録は平均目標登録誤差を減らした。
これにより、手術領域のMRIライクな更新が提供され、手術ナビゲーションに統合される可能性がある。
論文 参考訳（メタデータ） (2026-06-03T11:17:47Z) - Cross Modality Image Translation In Medical Imaging Using Generative Frameworks [5.785096712074492]
本研究は, 腫瘍画像における3次元I2I翻訳法の再現性, 標準化された比較評価である。
7つの生成モデル,3つの生成適応ネットワーク(GAN:Pix2Pix, CycleGAN, SRGAN)と4つの潜在生成モデル(Latent Diffusion Model, Latent Diffusion Model+ControlNet, Brownian Bridge, Flow Matching)を比較した。
その結果、GANは全てのタスクにおいて遅延生成モデルよりも優れており、SRGANは統計的に有意な優位性を達成していることがわかった。
論文 参考訳（メタデータ） (2026-05-13T15:41:44Z) - A Systematic Benchmark of GAN Architectures for MRI-to-CT Synthesis [38.31064949197421]
MRIからCTへの変換にはGANアーキテクチャが提案されている。
我々は,3つの解剖学的領域にわたるSynthRAD2025データセットを用いて評価した10のGANのベンチマークを示す。
論文 参考訳（メタデータ） (2026-03-13T18:54:20Z) - MRI Cross-Modal Synthesis: A Comparative Study of Generative Models for T1-to-T2 Reconstruction [0.42970700836450487]
クロスモーダルMRI合成は、ある取得プロトコルから別の取得プロトコルを使って画像を生成する。
本稿では, Pix2Pix GAN, CycleGAN, variational Autoencoder (VAE) の3種類のT1-to-T2MRI再構成モデルの比較を行った。
論文 参考訳（メタデータ） (2026-02-05T19:07:58Z) - MOIS-SAM2: Exemplar-based Segment Anything Model 2 for multilesion interactive segmentation of neurofibromas in whole-body MRI [0.0]
神経線維腫症1型(英: Neurofibromatosis type 1)は、多くの神経線維腫(NF)が全身に発達するのを特徴とする遺伝疾患である。
本研究では,この課題に合わせた対話型セグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2025-09-23T17:42:24Z) - The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。
99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。
データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
論文 参考訳（メタデータ） (2025-08-13T09:31:06Z) - ViCTr: Vital Consistency Transfer for Pathology Aware Image Synthesis [0.715632820500919]
既存の方法は、病理学的特徴を正確にモデル化しながら、解剖学的忠実さを維持するのに苦労する。
ViCTrは、修正フロー軌跡とTweedie補正拡散プロセスを組み合わせて、高忠実で病理学的な画像合成を実現する新しい2段階のフレームワークである。
我々の知る限り、ViCTrは、厳密度制御による細粒度で病理に配慮したMRI合成を提供するための最初の方法である。
論文 参考訳（メタデータ） (2025-05-08T05:44:16Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳（メタデータ） (2023-08-24T15:32:27Z) - Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of
Articulated Motion [48.52403516006036]
本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。
この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。
いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
論文 参考訳（メタデータ） (2022-08-10T15:39:20Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。