論文の概要: Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis
- arxiv url: http://arxiv.org/abs/2606.15457v1
- Date: Sat, 13 Jun 2026 20:21:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.585015
- Title: Lesion-DDPM: Lesion-Enhanced 3D Diffusion for MS MRI Synthesis
- Title（参考訳）: 病変-DDPM:MSMRI合成のための病変強化3次元拡散
- Authors: Weidong Zhang, Yongchan Jung, Shafayat Mowla Anik, Furen Xiao, Vasudevan Janarthanan, Enkhzaya Chuluunbaatar, Byeong Kil Lee, Jeeho Ryoo,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.271205016216702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 3D FLAIR MRI is widely recommended as one of the standard MRI sequences for brain imaging in multiple sclerosis (MS), but publicly available MS datasets remain relatively small and vary across scanners, acquisition protocols, and lesion patterns. This scarcity and variability hinder the development of robust neuroimaging machine learning models and are particularly challenging for generative models that aim to synthesize images while preserving small, sparse lesions. We propose Lesion-DDPM, a 3D conditional diffusion framework for lesion-aware FLAIR synthesis that incorporates multi-level anatomical mask injection together with a lesion-weighted reconstruction loss to emphasize lesion voxels while maintaining global brain structure. Using a curated subset of the MSLesSeg dataset, we compare Lesion-DDPM with representative state-of-the-art GAN- and diffusion-based models, assessing both image-generation metrics and downstream 3D U-Net segmentation. In our experiments, Lesion-DDPM achieved the lowest lesion-region reconstruction error among all methods. In a downstream 3D U-Net lesion segmentation task, a model trained only on Lesion-DDPM-generated scans and evaluated on real MRIs reached a Dice score of 0.616 compared with 0.569 for the best competing synthetic dataset. When Lesion-DDPM images were added to the real training set, the Dice score further increased to 0.685.
- Abstract（参考訳）: 3D FLAIR MRIは、多発性硬化症(MS)における脳画像の標準的なMRIシーケンスの1つとして広く推奨されているが、公開されているMSデータセットは比較的小さく、スキャナー、取得プロトコル、病変パターンによって異なる。
この不足と可変性は、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ものであり、特に、小さくスパースな病変を保存しながら画像の合成を目指す生成モデルにとって困難である。
本報告では, 病変対応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。
MSLesSegデータセットのキュレートされたサブセットを用いて、Lesion-DDPMと最先端のGANおよび拡散モデルを比較し、画像生成メトリクスと下流の3D U-Netセグメンテーションを評価する。
以上の結果より, 病変領域再建の誤差が低かった。
下流3次元U-Net病変分割タスクでは、Lesion-DDPMによるスキャンのみをトレーニングし、実際のMRIで評価したモデルが、最も競合する合成データセットの0.569と比較して、Diceスコア0.616に達した。
Lesion-DDPMイメージが実際のトレーニングセットに追加されると、Diceスコアはさらに0.685に向上した。
関連論文リスト
- D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - FOSCU: Feasibility of Synthetic MRI Generation via Duo-Diffusion Models for Enhancement of 3D U-Nets in Hepatic Segmentation [10.129958145676412]
Duo-Diffusion は ControlNet を用いた3次元潜伏拡散モデルである。
高分解能で解剖学的にリアルな合成MRIボリュームと対応するセグメンテーションラベルを生成する。
空間的な一貫性と正確な解剖学的詳細を保証するために、セグメンテーション条件の拡散を用いる。
論文 参考訳（メタデータ） (2026-03-31T07:09:51Z) - 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) - 3D Conditional Image Synthesis of Left Atrial LGE MRI from Composite Semantic Masks [1.452875650827562]
我々は,高忠実度3次元LGEMRIボリュームを3次元条件生成器を用いて合成するパイプラインを開発した。
SPADE-LDMは最もリアルで構造的に正確な画像を生成する。
合成LGE画像で拡張すると、3次元U-NetモデルによるLA空洞分割のためのDiceスコアが改善された。
論文 参考訳（メタデータ） (2026-01-08T04:35:40Z) - Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。
U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。
その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
論文 参考訳（メタデータ） (2025-12-23T15:24:31Z) - A Total Variation Regularized Framework for Epilepsy-Related MRI Image Segmentation [13.43616910092363]
FCD ( Focal Cortical Dysplasia) は薬剤性てんかんの原因の一つである。
脳磁気共鳴画像(MRI)では、その病変の微妙で小さな性質のため、FCDは検出が難しい。
本稿では3次元脳MRI画像におけるFCD領域分割のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2025-10-06T18:07:17Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - 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) - 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) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - 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。