論文の概要: Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios
- arxiv url: http://arxiv.org/abs/2606.07381v1
- Date: Fri, 05 Jun 2026 15:21:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.8202
- Title: Impact of Synthetic Lesional MR Images in Automated Focal Cortical Dysplasia Detection in Low-Data Scenarios
- Title（参考訳）: 低値シナリオにおける局所皮質異形成自動検出におけるMR画像の合成効果
- Authors: Prabhjot Kaur, Hakim Ouaalam, Sedat Kandemirli, Sanjay P. Prabhu, Simon K. Warfield,
- Abstract要約: 局所性大脳皮質異形成症(FCD)の自動検出には,大量の軸方向病変のMRIデータが必要である。
本研究の目的は、FCDを示す合成MRIデータを生成し、その現実性を評価し、自動FCD検出に与える影響を評価することである。
- 参考スコア（独自算出の注目度）: 3.250804920538176
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Purpose: Automated detection of focal cortical dysplasia (FCD) requires large volumes of voxelwise lesion-delineated MRI data, which are difficult to acquire. This study aims to generate synthetic MRI data exhibiting FCD, assess their realism, and evaluate their impact on automated FCD detection, particularly in reducing the need for manual annotations. Methods: T1-weighted (T1w) and T2-weighted Fluid-Attenuated Inversion Recovery (FLAIR) MRI scans from 131 FCD patients and 90 healthy controls from multiple (3) sites were retrospectively studied. Synthetic MRIs were generated by conditioning a generative network on binary FCD masks. Two neuroradiologists identified real images from a random set of 14 real and 14 synthetic scans. Three nnU-Net models were trained to detect FCD using: (i) real-only (35 FCD / 35 controls), (ii) real (35 FCD / 35 controls) plus synthetic augmentation, and (iii) expanded real data (70 FCD / 70 controls). Results: Experts showed limited ability to distinguish real from synthetic images, with classification accuracy of 60% for T1w and 70% for FLAIR (inter-rater agreement kappa = 0.86). Augmenting automated FCD detection with synthetic data increased sensitivity by 8.14% (p = 0.12) and improved model confidence at true lesion sites (0.83 +/- 0.11 to 0.89 +/- 0.12; p = 0.02). The expanded real-data model further improved sensitivity to 73.8% (p < 0.001) and confidence to 0.90 +/- 0.14 (p = 0.01). Conclusion: Conditional generative networks can generate realistic synthetic FCD-MRIs, reducing labeled data needs by approximately 20% while maintaining equivalent sensitivity. Equivalent amounts of real data, when available, remain more effective than synthetic augmentation.
- Abstract（参考訳）: 背景と目的: 局所性皮質異形成(FCD)の自動検出には, 取得が困難である大量のボクセル状病変のMRIデータが必要である。
本研究の目的は、FCDを示す合成MRIデータを生成し、その現実性を評価し、特に手動アノテーションの必要性を減らすことによる自動FCD検出への影響を評価することである。
方法: T1-weighted (T1w) と T2-weighted fluid-attenuated Inversion Recovery (FLAIR) MRI を用いて, FCD 患者131例と複数の (3) 部位の健康管理90例について振り返って検討した。
合成MRIは、バイナリFCDマスク上に生成ネットワークを条件付けすることによって生成される。
2人の神経放射線学者が、14のリアルスキャンと14の合成スキャンのランダムなセットから、実際の画像を特定した。
3つのnnU-Netモデルを用いてFCDを検出する訓練を行った。
(i)リアルタイム(35FCD/35制御)
(ii)リアル(35FCD/35制御)+合成増強
(iii)実データ拡張(70FCD/70制御)。
結果:T1wでは60%,FLAIRでは70%の分類精度が得られた。
合成データによる自動FCD検出の増強により感度は8.14%(p = 0.12)向上し、真の病変部位(0.83 +/- 0.11 から 0.89 +/- 0.12; p = 0.02)でのモデル信頼性が向上した。
拡張された実データモデルにより感度は73.8%(p < 0.001)に向上し、信頼性は0.90 +/- 0.14(p = 0.01)に向上した。
結論: 条件付き生成ネットワークは現実的な合成FCD-MRIを生成することができ、同等の感度を維持しながらラベル付きデータのニーズを約20%削減できる。
十分な量の実データが利用可能であれば、合成増強よりも有効である。
関連論文リスト
- NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging [21.25110830915782]
解剖学的に制約された結節指向CT合成および多ソースコホートを統一した拡張フレームワークであるNodMAISIを導入する。
6つの公開試験データセットの中で、NodMAISIはMAISI-v2(実合成FID範囲 1.18 対 2.99 対 1.69 対 5.21)に対する分布の忠実度を改善した。
NodMAISIはAUCを0.07から0.11に改善し、臨床データは20%で0.12から0.21に改善した。
論文 参考訳（メタデータ） (2025-12-19T20:11:30Z) - Pattern-Aware Diffusion Synthesis of fMRI/dMRI with Tissue and Microstructural Refinement [34.55493442995441]
パターン認識型2次元モーダル3次元拡散フレームワークであるPSDを提案する。
また, 組織微細化ネットワークと高効率な組織微細化を一体化して, 組織微細化と微細化の維持を図っている。
PSNR/SSIMスコアはfMRI合成では29.83dB/90.84%、dMRI合成では30.00dB/77.55%である。
論文 参考訳（メタデータ） (2025-11-07T03:51:00Z) - 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) - HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。
WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。
本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
論文 参考訳（メタデータ） (2025-06-23T17:22:19Z) - Improving Heart Rejection Detection in XPCI Images Using Synthetic Data Augmentation [0.0]
StyleGANは利用可能な3Rバイオプシーパッチで訓練され、その後、1万のリアルな合成画像を生成するために使用された。
これらは、ResNet-18分類器をバイナリーリジェクション分類のために訓練するための様々な構成において、レジェクション無しのサンプルである実際の0Rサンプルと組み合わせられた。
その結果, 実検体と組み合わせて使用する場合, 合成データにより分類性能が向上することが示唆された。
論文 参考訳（メタデータ） (2025-05-26T09:26:36Z) - Synthetic Poisoning Attacks: The Impact of Poisoned MRI Image on U-Net Brain Tumor Segmentation [8.955776982854985]
脳腫瘍分離のためのU-Netモデルのロバスト性およびセグメンテーション精度に及ぼす合成MRIデータの影響について検討した。
合成データ汚染の影響を定量化するために、U-Netモデルを段階的に"汚染された"データセットに訓練する。
論文 参考訳（メタデータ） (2025-02-06T07:21:19Z) - Comparative clinical evaluation of "memory-efficient" synthetic 3d generative adversarial networks (gan) head-to-head to state of art: results on computed tomography of the chest [35.858837946090674]
本研究では,新しいメモリ効率GANアーキテクチャであるCRF-GANを紹介する。
このモデルの性能は、最先端階層型(HA)-GANモデルに対して評価される。
論文 参考訳（メタデータ） (2025-01-26T15:57:44Z) - FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。
FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
論文 参考訳（メタデータ） (2024-12-13T10:45:25Z) - COVID-MTL: Multitask Learning with Shift3D and Random-weighted Loss for
Automated Diagnosis and Severity Assessment of COVID-19 [39.57518533765393]
新型コロナウイルスの正確かつ効果的な評価を支援する自動化方法が緊急に必要である。
我々は,放射線学とNATの両方において,自動かつ同時検出と重症度評価が可能なエンドツーエンドマルチタスク学習フレームワーク(COVID-MTL)を提案する。
論文 参考訳（メタデータ） (2020-12-10T08:30:46Z)
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。