論文の概要: Structural MRI Synthesis for Alzheimer's Disease via Conditional Diffusion on Anatomical Masks

• arxiv url: http://arxiv.org/abs/2606.18354v1
• Date: Tue, 16 Jun 2026 18:01:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.833306
• Title: Structural MRI Synthesis for Alzheimer's Disease via Conditional Diffusion on Anatomical Masks
• Title（参考訳）: 解剖学的マスク上の条件拡散によるアルツハイマー病のMRI像の合成
• Abstract要約: アルツハイマー病(AD)の高次構造MRIデータは, 微妙な, 地域固有の, 進歩的な解剖学的変化のため, いまだに困難である。 我々は,MDD-DDPM条件拡散モデルを拡張し,ADに合わせて3次元構造MRIを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in generative machine learning models have significantly improved medical imaging, offering promising solutions for data augmentation, privacy preservation, and improved model generalization. However, synthesizing high-quality structural MRI data for Alzheimer's Disease (AD) remains challenging due to the subtle, region-specific, and progressive anatomical changes associated with neurodegeneration. In this paper, we extend the Med-DDPM conditional diffusion model -- originally designed for brain tumor synthesis -- to generate 3D structural MRIs specifically tailored to AD. We adopted Med-DDPM due to its established stability and structural fidelity compared to other generative models, which makes it particularly suitable for capturing the subtle anatomical changes characteristic of AD. Our approach conditions the diffusion process on anatomical segmentation masks derived from the ADNI dataset, incorporating key AD-relevant brain structures into the generation process. We systematically evaluate the quality and utility of the synthetic images by training segmentation models on real, synthetic, and hybrid (mixed) datasets. Experimental results demonstrate that segmentation models trained exclusively on synthetic data achieve comparable Dice scores (0.6532) to those trained on real data (0.6513), while exhibiting significantly enhanced recall. Notably, models trained on hybrid datasets (mixing real and synthetic images) outperform both real and synthetic-only baselines, achieving a Dice score of 0.7244. These findings underscore the successful use of conditional diffusion models for generating anatomically accurate, AD-specific synthetic MRIs, and highlight their potential for enhancing training data availability, improving diagnostic accuracy, and promoting research reproducibility in neuroimaging studies.
• Abstract（参考訳）: 生成機械学習モデルの最近の進歩は、医療画像を大幅に改善し、データ拡張、プライバシー保護、モデル一般化の改善のための有望なソリューションを提供している。 しかし、アルツハイマー病(AD)の高次構造MRIデータの合成は、神経変性に伴う微妙な、地域固有の、進歩的な解剖学的変化のため、依然として困難である。 本稿では,脳腫瘍合成のためのMed-DDPM条件拡散モデルを拡張し,ADに特化して3次元構造MRIを生成する。 我々は,Med-DDPMの安定性と構造的忠実さを他の生成モデルと比較し,ADの微妙な解剖学的変化を捉えるのに特に適している。 提案手法は,ADNIデータセットから得られた解剖学的セグメンテーションマスクの拡散過程を解析し,主要なAD関連脳構造を生成過程に組み込んだものである。 実・合成・ハイブリッド(混合)データセット上でのセグメンテーションモデルを訓練することにより,合成画像の品質と有用性を体系的に評価する。 実験の結果、合成データのみに訓練されたセグメンテーションモデルは、実データ(0.6513)に比較してDiceスコア(0.6532)を達成し、リコールは大幅に強化された。 特に、ハイブリッドデータセット(実画像と合成画像の混合)で訓練されたモデルは、実画像と合成画像の両方のベースラインを上回り、Diceスコアは0.7244に達する。 これらの結果は、解剖学的に正確なAD特異的な合成MRIを生成するための条件拡散モデルの使用が成功し、トレーニングデータの可用性の向上、診断精度の向上、神経画像研究における研究再現性の向上の可能性を強調している。

関連論文リスト

• Free Lunch in Medical Image Foundation Model Pre-training via Randomized Synthesis and Disentanglement [17.69771768062763]
  RaSD(Randomized Synthesis and Disentanglement)は、医療画像基盤モデル(MIFM)を総合的にトレーニングするためのスケーラブルなフレームワークである。 われわれは、120万の3Dボリュームと960万の2DイメージでRaSDを事前トレーニングし、6つの画像モダリティ、48のデータセット、56の下流タスクで得られたモデルを広範囲に評価した。 評価されたダウンストリームタスク全体では、RaSDはトレーニングからスクラッチまでのモデルを一貫して上回り、17タスクで最高のパフォーマンスを達成し、他のほとんどのタスクにおいて、大規模な実データセットで事前トレーニングされたモデルに匹敵する。
  論文  参考訳（メタデータ） (2026-02-12T18:09:22Z)
• Data-Efficient Meningioma Segmentation via Implicit Spatiotemporal Mixing and Sim2Real Semantic Injection [6.992254817538211]
  本研究では,空間的多様体展開と意味的オブジェクト注入を統合した新しい二重拡張フレームワークを提案する。 我々のフレームワークは,nnU-NetやU-Mambaといった最先端モデルのデータ効率とロバスト性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-01-19T09:11:28Z)
• Assessment of Using Synthetic Data in Brain Tumor Segmentation [0.3222802562733786]
  本研究では,プリトレーニングGANモデルを用いて生成した合成MRIデータをU-Netセグメンテーションネットワークに組み込むことが,概念実証として,U-Netセグメンテーションネットワークのトレーニングに与える影響について検討する。 BraTS 2020データセットの実際のデータ、メディガンライブラリで生成された合成データ、および実際のサンプルと合成サンプルを様々な割合で組み合わせたハイブリッドデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2025-08-16T05:56:38Z)
• Diffusing the Blind Spot: Uterine MRI Synthesis with Diffusion Models [7.262119921589195]
  子宮MRI合成のための新しい拡散型フレームワークを提案する。 本手法は, 解剖学的に整合した高忠実な合成画像を生成し, 実際のスキャンを忠実に再現する。 ブラインドド・エキスパートによる評価は,我々の合成画像の臨床的現実性を評価する。
  論文  参考訳（メタデータ） (2025-08-11T12:18:23Z)
• Diffusion Models for conditional MRI generation [0.0]
  脳磁気共鳴画像(MRI)生成のための潜時拡散モデル(LDM)を提案する。 生成画像の品質を評価するために、Fr'echet Inception Distance(FID)とMulti-Scale Structure similarity Index(MS-SSIM)のメトリクスを使用した。
  論文  参考訳（メタデータ） (2025-02-25T20:08:29Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Merging synthetic and real embryo data for advanced AI predictions [69.07284335967019]
  我々は、作成した2つのデータセットを用いて、2つの生成モデルをトレーニングし、既存の1つのデータセットを使用して、様々な細胞レベルで合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。 その結果,実データと合成画像を組み合わせることで分類性能が向上し,実データのみをトレーニングした場合の94.5%に比べて97%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• Physics-Informed Latent Diffusion for Multimodal Brain MRI Synthesis [43.82741134285203]
  可変数の脳MRIモダリティを合成できる物理インフォームド生成モデルを提案する。 提案手法は遅延拡散モデルと2段階生成過程を利用する。 実験は、見えないMRコントラストを発生させ、身体的可視性を維持するためのこのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2024-09-20T14:21:34Z)
• Guided Reconstruction with Conditioned Diffusion Models for Unsupervised Anomaly Detection in Brain MRIs [35.46541584018842]
  Unsupervised Anomaly Detection (UAD) は、正常なトレーニング分布から異常を外れ値として識別することを目的としている。 生成モデルは、与えられた入力画像に対する健康な脳解剖の再構築を学ぶために使用される。 本稿では,入力画像の潜在表現から得られた付加情報を用いて拡散モデルの復調過程を条件付けることを提案する。
  論文  参考訳（メタデータ） (2023-12-07T11:03:42Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• 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)

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。