論文の概要: WING: A Window-Prior-Based Generative Network with Gated Inception for Cross-Modality CT Synthesis
- arxiv url: http://arxiv.org/abs/2607.06234v1
- Date: Tue, 07 Jul 2026 13:02:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.528558
- Title: WING: A Window-Prior-Based Generative Network with Gated Inception for Cross-Modality CT Synthesis
- Title（参考訳）: WING: マルチモーダルCT合成のためのGated Inceptionを用いたウィンドウミラーベース生成ネットワーク
- Authors: Siyuan Mei, Yan Xia, Yipeng Sun, Siming Bayer, Zirong Li, Chengze Ye, Daiqi Liu, Fuxin Fan, Yixing Huang, Andreas Maier,
- Abstract要約: 1)複数ウィンドウの予測を生成するための新しいGated Inception Generator,2)ウィンドウ出力を集約し,詳細改善のために残差を学習するFuse-and-Refine Transformer,3)ウィンドウ条件の現実性を高めるための共同学習目標を含むWINdow-prior-Generative Networkを紹介する。
我々は,MRI-to-CT と CBCT-to-CT のベンチマークにおいて,マルチ解剖学的合成を単一モデルでサポートしながら,最先端の性能を実現する。
- 参考スコア（独自算出の注目度）: 8.330654718463915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating CT volumes from MRI and CBCT can improve treatment planning in adaptive radiotherapy while avoiding additional radiation exposure. However, direct regression of CT intensities is challenged by the inherently high dynamic range and long-tailed distributions, thereby averaging out sparse yet clinically important structures. To alleviate this issue, we reformulate the regression target into multiple windowed representations, leveraging the inductive prior that CT intensities are structure-deterministic and window-separable. These windowed views exhibit smoother distributions and admit structured fusion back to the full-range CT. Building on this reformulation, we introduce WING, a WINdow-prior-based Generative network comprising: 1) a new Gated Inception Generator to produce multi-window predictions, enabling multi-shape kernel interactions to capture cross-modality correspondence; 2) a Fuse-and-Refine Transformer to aggregate the windowed outputs and learn residuals for detail refinement; and 3) a joint adversarial training objective to enhance window-conditioned realism. Extensive experiments demonstrate that our compact WING achieves state-of-the-art performance on the MRI-to-CT and CBCT-to-CT benchmarks, while supporting multi-anatomy synthesis with a single model.
- Abstract（参考訳）: MRIおよびCBCTからのCTボリュームの生成は、追加放射線照射を回避しつつ、適応放射線療法における治療計画を改善することができる。
しかし、CT強度の直接回帰は、自然に高いダイナミックレンジと長い尾の分布によって困難であり、その結果、わずかながら臨床的に重要な構造が平均化される。
この問題を軽減するため,回帰ターゲットを複数のウィンドウ表現に再構成し,CT強度が構造決定的かつウィンドウ分離可能であることを先導する。
これらのウィンドウビューはよりスムーズな分布を示し、フルレンジCTへの構造的融合を認めた。
この改革に基づいて、WINdow-priorベースの生成ネットワークであるWINGを紹介します。
1) マルチウィンドウ予測を生成するための新しいGated Inception Generator
2) 窓面の出力を集約し,詳細精錬のために残余を学習するファウズ・アンド・リファイン・トランスフォーマー
3)窓条件リアリズムを高めるための共同対人訓練の目的。
広汎な実験により,MRI-to-CTおよびCBCT-to-CTベンチマークの最先端性能を実現するとともに,マルチ解剖学的合成を単一モデルでサポートした。
関連論文リスト
- PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。
我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。
まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。
第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
論文 参考訳（メタデータ） (2026-04-01T15:57:18Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - Iterative Diffusion-Refined Neural Attenuation Fields for Multi-Source Stationary CT Reconstruction: NAF Meets Diffusion Model [20.480681036392173]
高速な画像再構成を実現するために, マルチソース・静止CT (CT) が注目されている。
超スパースビュー条件下でのマルチソース静止CTに適した反復的フレームワークであるDiff-NAF(Diffusion-Refined Neural Attenuation Fields)を提案する。
論文 参考訳（メタデータ） (2025-11-18T10:14:28Z) - Cross-Distribution Diffusion Priors-Driven Iterative Reconstruction for Sparse-View CT [19.18392754322368]
Sparse-View CT(SVCT)の再建は、時間分解能を高め、放射線線量を減らすが、その臨床的使用は人工物によって妨げられる。
本稿では,SVCTにおけるOOD問題に対処するクロスディストリビューション拡散優先型反復再構成フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-16T22:35:13Z) - MoRE: Multi-Modal Contrastive Pre-training with Transformers on X-Rays, ECGs, and Diagnostic Report [4.340464264725625]
我々は,X線,心電図(ECG),放射線学・心臓医学報告を相乗的に組み合わせた,新しいマルチモーダルコントラスト事前学習フレームワークを提案する。
我々はLoRA-Peftを用いて、LLMにおけるトレーニング可能なパラメータを著しく削減し、視覚変換器(ViT)に最近の線形アテンション降下戦略を取り入れ、よりスムーズなアテンションを実現する。
我々の知る限り、我々はX線、心電図、放射線学・医学レポートをこの手法と組み合わせた統合モデルを提案している。
論文 参考訳（メタデータ） (2024-10-21T17:42:41Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - 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) - Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。
視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。
我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。
IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。
我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。
我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
論文 参考訳（メタデータ） (2022-03-29T07:56:55Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z)
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。