論文の概要: Unified MRI Brain Image Translation via Hierarchical Tumor Structure Comparison

• arxiv url: http://arxiv.org/abs/2606.13096v1
• Date: Thu, 11 Jun 2026 09:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.692693
• Title: Unified MRI Brain Image Translation via Hierarchical Tumor Structure Comparison
• Title（参考訳）: 階層的腫瘍構造の比較によるMRI脳画像の統一化
• Authors: Yupeng Cai, Jia Wei, Jianlong Zhou,
• Abstract要約: 既存の脳画像翻訳法は、異なる腫瘍領域の構造情報を無視する。 本稿では,マルチモーダル脳画像変換生成モデルであるHTSCGANという新しい翻訳モデルを提案する。 BraTS 2020とBraTS 2021の実験は、翻訳タスクとダウンストリームセグメンテーションタスクの両方において、我々のモデルの強力なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 7.150245941717828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modal MRI brain image translation via available modalities holds significant practical importance in modern medicine, providing robust support for early diagnosis, treatment planning, and outcome assessment of diseases. For this purpose, it is important to ensure the fidelity of the tumor regions after translation. However, existing brain image translation methods ignore the structure information of different tumor regions, which could assist translation models in enhancing the quality and clinical applicability of the translated images. In this work, we propose a novel translation model called HTSCGAN, which is a unified multi-modal brain image translation generative adversarial model integrating the structural information within tumor regions with the aim of improving the quality of brain image translation. Specifically, the generator employs three Patch Contrast Module (PCM) with different patch sizes to capture the hierarchical structural information of the tumor regions. In addition, a pretrained Patch Classifier (PC) and a pretrained Structure-Aware Encoder (SAE) are employed to derive the generated image containing the same tumor region structure as the ground truth image via patch classification loss and tumor perceptual loss, respectively. The experiments on BraTS2020 and BraTS2021 demonstrate strong performance of our model in both translation tasks and down stream segmentation tasks, highlighting its effectiveness in enhancing the quality and clinical relevance of the translated brain images. Our code is available at https://anonymous.4open.science/r/HTSCGAN.
• Abstract（参考訳）: 利用可能なモダリティによる多モードMRI脳画像翻訳は、近代医学において重要な実践的重要性を持ち、早期診断、治療計画、疾患の予後評価の堅牢な支援を提供する。 この目的のためには,翻訳後の腫瘍領域の忠実度を確保することが重要である。 しかし、既存の脳画像翻訳法では、異なる腫瘍領域の構造情報を無視しており、翻訳モデルが翻訳画像の品質と臨床応用性を向上させるのに役立つ可能性がある。 本研究では,腫瘍領域内の構造情報を統合したマルチモーダル脳画像翻訳生成モデルであるHTSCGANを提案する。 具体的には、3つのパッチサイズのパッチコントラストモジュール(PCM)を使用し、腫瘍領域の階層構造情報をキャプチャする。 さらに、予め訓練されたパッチ分類器(PC)と、事前訓練された構造認識エンコーダ(SAE)を用いて、それぞれパッチ分類損失と腫瘍知覚損失を介して、地上の真理像と同一の腫瘍領域構造を含む生成された画像を導出する。 BraTS2020とBraTS2021の実験は、翻訳タスクと下流セグメンテーションタスクの両方において、我々のモデルの強力な性能を示し、翻訳された脳画像の品質と臨床的関連性を高める効果を強調した。 私たちのコードはhttps://anonymous.4open.science/r/HTSCGANで公開されています。

関連論文リスト

• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• Interactive Tumor Progression Modeling via Sketch-Based Image Editing [54.47725383502915]
  腫瘍進行編集のためのスケッチベース拡散モデルであるSkEditTumorを提案する。 スケッチを構造的先行として活用することにより,構造的整合性と視覚的リアリズムを維持しつつ,腫瘍領域の精密な修正を可能にする。 私たちのコントリビューションには、医用画像編集のための拡散モデルとスケッチの新たな統合、腫瘍進行の可視化のきめ細かい制御、複数のデータセットにわたる広範な検証などが含まれています。
  論文  参考訳（メタデータ） (2025-03-10T00:04:19Z)
• Unsupervised Tumor-Aware Distillation for Multi-Modal Brain Image Translation [8.380597715285237]
  教師なしマルチモーダル脳画像翻訳は広く研究されている。 既存の方法は翻訳中の脳腫瘍の変形の問題に悩まされている。 UTAD-Netと呼ばれる教師なしの腫瘍対応蒸留教員ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-29T13:35:37Z)
• HiFi-Syn: Hierarchical Granularity Discrimination for High-Fidelity Synthesis of MR Images with Structure Preservation [11.924728060845595]
  医用画像に含まれる様々な意味情報を活用する階層的粒度識別を導入する。 当社の戦略では,脳記憶バンクを用いたピクセルレベルの識別,各脳構造に対する構造レベルの識別,およびハードサンプルに焦点を当てた再重み付け戦略という,3段階の識別粒度を活用している。 我々のモデルは、患者の特定のMRモダリティが利用できないシナリオにおいて、代替の解決策を提供するかもしれない。
  論文  参考訳（メタデータ） (2023-11-21T09:15:24Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation [9.659642285903418]
  放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成 本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
  論文  参考訳（メタデータ） (2021-03-05T16:22:31Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。