論文の概要: AA-ViT: Anatomically Aware Vision Transformer with Structural and Frequency Guidance for Contrast Enhanced Brain MRI Synthesis

• arxiv url: http://arxiv.org/abs/2607.07553v1
• Date: Wed, 08 Jul 2026 15:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.44662
• Title: AA-ViT: Anatomically Aware Vision Transformer with Structural and Frequency Guidance for Contrast Enhanced Brain MRI Synthesis
• Title（参考訳）: AA-ViT:コントラスト強調脳MRI合成のための構造・周波数誘導型解剖学的視覚変換器
• Abstract要約: 本稿では,CEMRI合成のための周波数・構造誘導型視覚変換器 (AA-ViT) を提案する。 BraTS 2021データセットの実験は、提案手法が解剖学的および病変の境界を保存することを実証している。
• 参考スコア（独自算出の注目度）: 0.2141757338181092
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate tumour localization and diagnosis is a critical component of clinical care for brain cancers. Magnetic Resonance Imaging (MRI) is the most commonly used imaging modality due to its superior soft-tissue contrast. However, standard MRI often exhibits limited contrast and imaging artifacts, which necessitates the use of contrast agents to enhance lesion visibility. The administration of chemical contrast agents is not always feasible and may be contraindicated in patients with renal impairment or other health conditions. As a result, developing accurate and non-invasive contrast enhanced MRI (CEMRI) synthesis methods has clinical importance. In recent years, numerous approaches for CEMRI synthesis have been proposed, predominantly relying on generative artificial intelligence models. While these methods demonstrate promising performance, their dependence on implicit feature learning often limits their ability to preserve anatomical boundaries and tumour-specific fine structures. To address these challenges, we propose an anatomically aware frequency-and-structure-guided vision transformer (AA-ViT), for CEMRI synthesis using pre-contrast MRI modalities (T1, T2, and FLAIR). Experiments on the BraTS 2021 dataset demonstrate that the proposed method preserves anatomical and lesion boundaries, achieving higher PSNR and SSIM than state-of-the-art approaches. Clinical evaluation by three neuroradiologists and a neurosurgeon on 19 randomly selected cases across diverse gliomas yielded a mean score of 3.94/5, providing preliminary clinical validation rarely seen in prior studies. Synthetic post-contrast scans from our model could lower scanning costs, shorten imaging time, and avoid the potential risks of using gadolinium-based contrast agents.
• Abstract（参考訳）: 正確な腫瘍の局在と診断は、脳がんに対する臨床治療の重要な要素である。 磁気共鳴イメージング (MRI) は、ソフト・コントラストが優れているため、最も一般的に用いられる画像モダリティである。 しかし、標準的なMRIではコントラストや画像のアーチファクトが限られており、病変の視認性を高めるためにコントラスト剤を使用する必要がある。 化学コントラスト剤の投与は必ずしも実現可能ではなく、腎不全または他の健康状態の患者に禁忌されることがある。 その結果,正確な造影MRI(CEMRI)合成法の開発が臨床的に重要であることがわかった。 近年、CEMRI合成のための多くのアプローチが提案されており、主に生成人工知能モデルに依存している。 これらの手法は有望な性能を示すが、暗黙的な特徴学習への依存はしばしば解剖学的境界と腫瘍特異的な微細構造を維持する能力を制限する。 これらの課題に対処するために,前コントラストMRI(T1,T2,FLAIR)を用いたCEMRI合成のための解剖学的に認識された周波数・構造誘導型視覚変換器 (AA-ViT) を提案する。 BraTS 2021データセットの実験は、提案手法が解剖学的および病変の境界を保ち、最先端のアプローチよりも高いPSNRとSSIMを達成することを示した。 3人の神経放射線医と1人の神経外科医による様々なグリオーマでランダムに選択された19例の臨床評価では平均スコアが3.94/5となり、以前の研究ではほとんど見られなかった。 我々のモデルから得られた合成コントラストスキャンは、走査コストを低減し、撮像時間を短縮し、ガドリニウムベースのコントラスト剤を使用するリスクを回避することができる。

関連論文リスト

• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• Contrastive Anatomy-Contrast Disentanglement: A Domain-General MRI Harmonization Method [18.50120167286231]
  本研究では, コントラスト損失とドメインに依存しないコントラスト増大を伴う条件付き拡散オートエンコーダを用いて, MRイメージをスキャナ間で調和させる手法を提案する。 本手法は, 単一の基準画像から脳MRIを可能にし, 走行対象データに対して+7%のPSNR改善を達成し, 年齢回帰を+18%改善する。
  論文  参考訳（メタデータ） (2025-09-08T12:03:34Z)
• Comparing Conditional Diffusion Models for Synthesizing Contrast-Enhanced Breast MRI from Pre-Contrast Images [31.354231459573356]
  乳がんの診断と治療にはDCE(Dynamic contrast-enhanced)MRIが不可欠である。 しかし、コントラストエージェントへの依存は、安全性の懸念、禁忌、コストの増大、ワークフローの複雑さをもたらす。 DCE-MRIを合成するために,事前コントラスト条件付き拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:24:55Z)
• 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)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• Leveraging Multimodal CycleGAN for the Generation of Anatomically Accurate Synthetic CT Scans from MRIs [1.779948689352186]
  我々は、MRIから合成CTスキャンを生成するために、Deep Learningモデルの異なる構成の能力を解析する。 異なるMRIモダリティからCTスキャンを生成するために、コントラスト剤を使用しないいくつかのCycleGANモデルを教師なしで訓練した。 結果から, 入力のモーダル性に応じて, モデルが全く異なる性能を持つことを示す。
  論文  参考訳（メタデータ） (2024-07-15T16:38:59Z)
• Towards Learning Contrast Kinetics with Multi-Condition Latent Diffusion Models [2.8981737432963506]
  DCE-MRI時間系列の時間条件画像合成が可能な潜時拡散モデルを提案する。 以上の結果から,本手法が現実的な多列性脂肪飽和乳房DCE-MRIを生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-03-20T18:01:57Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Synthesis of Contrast-Enhanced Breast MRI Using Multi-b-Value DWI-based Hierarchical Fusion Network with Attention Mechanism [15.453470023481932]
  造影MRI(CE-MRI)は腫瘍と浸潤した健全な組織との鑑別に優れる。 CE-MRIを得るためにガドリニウムベースの造影剤(GBCA)を使用することは、ネフローゼ性全身線維症と関連し、脳内での生体蓄積を引き起こす可能性がある。 造影剤の使用を減らすため,拡散強調画像(DWI)が重要画像技術として出現している。
  論文  参考訳（メタデータ） (2023-07-03T09:46:12Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• 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)
• Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR Images using a GAN [59.60954255038335]
  提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。 実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-26T02:50:09Z)

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。