論文の概要: Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences
- arxiv url: http://arxiv.org/abs/2606.25535v1
- Date: Wed, 24 Jun 2026 08:10:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.275255
- Title: Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences
- Title（参考訳）: 不完全MR系列からのDCE-MRI定量合成のための時空間混合-モード-エキスパート拡散
- Abstract要約: ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。
3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。
正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
- 参考スコア（独自算出の注目度）: 2.4827516038838064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quantitative maps from dynamic contrast-enhanced MRI (DCE-MRI) are essential for tumor assessment but are often unavailable due to contrast-agent risks and protocol variability. Prior methods predict these maps from other MRI modalities, yet most assume fixed, fully observed inputs and fail under realistic missingness. We present Spatio-Temporal Mixture-of-Modality-Experts (ST-MoME), a conditional diffusion framework that synthesizes 3D DCE parameter maps from diverse subsets of multimodal MRI. ST-MoME fuses modality-specific expert features through a spatio-temporal gating network that produces voxel-wise, timestep-dependent weights, forming a conditioning tensor that guides denoising. To preserve quantitative fidelity, ST-MoME performs diffusion directly in image space with 3D patch-based training and a Swin-based backbone. On a clinical brain-tumor cohort of 386 patients, we evaluate ST-MoME across 16 controlled modality-availability scenarios. It achieves the lowest mean Normalized Mean Square Error (NMSE) aggregated across all three DCE parameters, with leading performance on $v_p$ and $v_e$, competitive results on $K^{\mathrm{trans}}$, and the lowest reconstruction error within the clinically critical tumor region. A post-hoc analysis of the learned gating dynamics shows a structural-early, physiological-late fusion schedule consistent with clinical intuition.
- Abstract（参考訳）: ダイナミックコントラスト強調画像(DCE-MRI)からの定量的なマッピングは腫瘍評価に不可欠であるが、コントラストのリスクやプロトコルの多様性のためにしばしば利用できない。
以前の手法では、他のMRIモードからこれらのマップを予測するが、ほとんどの場合、固定された完全に観察された入力を仮定し、現実的な欠損の下で失敗する。
マルチモーダルMRIの様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークであるspatio-Temporal Mixture-of-Modality-Experts (ST-MoME)を提案する。
ST-MoMEは、ボクセル単位で時間ステップ依存の重みを発生させる時空間ゲーティングネットワークを通じて、モダリティ固有の専門家の特徴を融合させ、デノイングを導く条件付きテンソルを形成する。
定量的忠実性を維持するため、ST-MoMEは3DパッチベースのトレーニングとSwinベースのバックボーンで画像空間内で直接拡散を行う。
386例の臨床脳腫瘍コホートでは,St-MoMEを16例のコントロールされたモダリティ・アベイラビリティーシナリオで評価した。
正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$K^{\mathrm{trans}}$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
学習したゲーティングダイナミクスのポストホック解析では、臨床的直観と一致した構造的、生理的、後期融合スケジュールが示される。
関連論文リスト
- MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis [12.80647654676651]
我々は,効率的な拡散フレームワークであるMUMINS(Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis)を提案する。
ベースラインスキャンとフォローアップ残差を共同で拡散し、フォローアップスキャンを合成し、空間不確実性マップを同時に予測する。
臓器に依存しない設計で、同じアーキテクチャは、別々のデータセット固有の再トレーニングを通じて解剖学的に再利用される。
論文 参考訳（メタデータ） (2026-09-15T13:32:37Z) - 3D Classification of Paramagnetic Rim Lesions in Multiple Sclerosis via Asymmetric QSM-FLAIR Modeling [4.672573934670909]
多発性硬化症(MS)における慢性活動性炎症の特異的バイオマーカーとして,感応性感応性MRIで同定された常磁性リム病変(Rim$+$)が最近出現している。
本稿では,QSMとFLAIR MRIを用いた病変レベルRim$+/Rim$-$分類のための3次元マルチモーダルディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-15T14:10:30Z) - Wavelet-Fusion Diffusion Model for Multimodal Brain MRI Synthesis with Modality and Metadata Conditioning [0.0]
マルチモーダルMRI(Multimodal MRI)は、異なる画像モダリティが解剖学的、組織学的、病理学的特徴を捉える神経画像解析に補完的な情報を提供する。
大規模な構造MRIリソースはますます利用可能になっているが、そのモダリティのカバレッジは、パブリックおよびプール化されたニューロイメージングデータセットで不均一であることが多い。
本研究では,Wavelet-Fusion 変分オートエンコーダ (WF-VAE) と条件付き3次元U-Net拡散モデルを組み合わせた。
論文 参考訳（メタデータ） (2026-05-30T11:57:27Z) - 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) - Mamba-driven MRI-to-CT Synthesis for MRI-only Radiotherapy Planning [4.3531418255555545]
マンバ (Mamba) は、モダリティ間翻訳のための状態空間モデルである。
We adapt the U-Mamba and the SegMamba architecture, originally proposed for segmentation, to perform cross-modality image generation。
私たちの3D Mambaアーキテクチャは、複雑な特徴と長距離ボリューム依存を効果的に捉え、正確なCT合成を可能にします。
論文 参考訳（メタデータ） (2026-03-24T14:56:39Z) - 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) - TriFusion-SR: Joint Tri-Modal Medical Image Fusion and SR [42.84193423224821]
多モード医用画像融合は相補的構造情報と機能情報を集約することにより包括的診断を容易にする。
既存のアプローチは通常、画像融合と超解像(SR)を別々の段階で実行し、アーティファクトと知覚品質を劣化させる。
本稿では,TriFusionSRを提案する。TriFusionSRはウェーブレット誘導型三モード融合とSRのための条件拡散フレームワークである。
論文 参考訳（メタデータ） (2026-03-10T14:13:40Z) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction [15.543131466384658]
MIRAGEは、欠落したMRI問題を解剖誘導型クロスモーダルラテント蒸留タスクとして再構成する新しいフレームワークである。
凍結事前訓練された3次元U-Netデコーダを補助正規化エンジンとして厳密に採用する。
実験の結果、我々のフレームワークはモダリティのギャップを埋めることに成功し、AD分類率を13%改善した。
論文 参考訳（メタデータ） (2026-03-02T22:17:37Z) - Revisiting Global Token Mixing in Task-Dependent MRI Restoration: Insights from Minimal Gated CNN Baselines [43.505945728449774]
グローバルトークンミキシングはMRIの復元において一般的なモデル設計の選択肢となっている。
グローバルトークンミキシングは,各タスクにおいて,3つの代表的な設定で実際に有用かどうかを問う。
MRIの再生を高速化するために、最小限のアンロールゲート-CNNベースラインは、すでに非常に競争力がある。
制御された低パス劣化により、低周波k空間データがほとんど保存されている超解像の場合、局所ゲートモデルは競争力を維持する。
空間的ヘテロセダスティックノイズを発音する場合には,トークン混合モデルが最も高い総合的な性能が得られる。
論文 参考訳（メタデータ） (2026-03-02T04:57:52Z) - Flow Matching for Conditional MRI-CT and CBCT-CT Image Synthesis [0.0]
Flow Matching frameworkは、MRIまたはCBCT画像から合成CTを生成するために使用される。
3つの解剖学的領域にわたるMRI sCT と CBCT sCT のモデルを訓練する。
その結果,グローバルな解剖学的構造を正確に再構築できることが示唆された。
今後の研究は、パッチベースのトレーニングとラテントスペースフローモデルを使って、解像度と局所的な構造的忠実性を改善することである。
論文 参考訳（メタデータ） (2025-10-06T14:07:03Z) - JSover: Joint Spectrum Estimation and Multi-Material Decomposition from Single-Energy CT Projections [45.14515691206885]
多物質分解(MMD)は、ヒト体内の組織組成を定量的に再構築することを可能にする。
従来のMDDは、通常、スペクトルCTスキャナーと事前に測定したX線エネルギースペクトルを必要とし、臨床応用性を大幅に制限する。
本稿では,多材料構成を共同で再構成し,SECT投影から直接エネルギースペクトルを推定する一段階SEMMDフレームワークであるJSoverを提案する。
論文 参考訳（メタデータ） (2025-05-12T23:32:21Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z)
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。