論文の概要: Metadata Supervised MRI Representations for Modelling and Controlling Acquisition Variability
- arxiv url: http://arxiv.org/abs/2607.11295v1
- Date: Mon, 13 Jul 2026 09:12:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.414465
- Title: Metadata Supervised MRI Representations for Modelling and Controlling Acquisition Variability
- Title（参考訳）: 獲得変数のモデル化と制御のためのメタデータ強調MRI表現
- Abstract要約: 学習された表現は、生物学的構造と、獲得に依存した外観、解釈可能性、一般化、臨床展開を絡み合わせる。
本稿では,MRI画像とDICOMメタデータを併用することにより,これらの変化源を分離可能であることを示す。
コントラスト表現は異種獲得を組織化し、シーケンス理解をサポートし、画像-メタカタ不整合を検出する。
我々は,画像や取得メタデータを条件に,クロスモダリティとクロスサイト適応のための統一された解剖保存調和モデルを導入する。
- 参考スコア（独自算出の注目度）: 0.6940876618878119
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Magnetic resonance imaging exhibits substantial acquisition variability, where identical anatomy can appear markedly different across scanners and imaging protocols. Consequently, learned representations entangle biological structure with acquisition-dependent appearance, limiting interpretability, generalisation, and clinical deployment. We show that these sources of variation can be separated by jointly modelling MRI images and DICOM metadata. Using large-scale clinical brain MRI data, we learn representations that separate anatomical structure from contrast-dependent appearance. Resulting contrast representations organise heterogeneous acquisitions, support sequence understanding, and detect image--metadata inconsistencies, whereas anatomical representations suppress acquisition-specific variation while preserving biologically relevant information. Building on these disentangled representations, we introduce a unified anatomy-preserving harmonisation model for cross-modality and cross-site adaptation, conditioned on image or acquisition metadata. Our findings suggest that acquisition variability is a structured component of the imaging process that can be modelled, audited, and controlled, providing a foundation for acquisition-aware representation learning in large-scale medical imaging.
- Abstract（参考訳）: 磁気共鳴イメージングは、スキャナーやイメージングプロトコルで同一の解剖が著しく異なるような、実質的な取得のバラツキを示す。
結果として、学習された表現は、獲得に依存した外観、解釈可能性の制限、一般化、臨床展開で生物学的構造を絡ませる。
本稿では,MRI画像とDICOMメタデータを併用することにより,これらの変化源を分離可能であることを示す。
大規模な臨床脳MRIデータを用いて、解剖学的構造とコントラストに依存した外観を区別する表現を学習する。
コントラスト表現は異種獲得を組織化し、シーケンス理解をサポートし、画像のミスを検知する一方、解剖学的表現は生物学的に関連のある情報を保存しながら、獲得固有の変動を抑制する。
これらの不整合表現に基づいて、画像や取得メタデータに条件付けされたクロスモダリティとクロスサイト適応のための統一された解剖保存調和モデルを導入する。
以上の結果から, 取得変数は画像処理の構造化要素であり, 大規模医用画像における獲得認識表現学習の基礎となることが示唆された。
関連論文リスト
- Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。
再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。
本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
論文 参考訳（メタデータ） (2026-08-01T04:56:39Z) - DCMM-Transformer: Degree-Corrected Mixed-Membership Attention for Medical Imaging [19.273362844763806]
本稿では,DCMM(Degree-Corrected Mixed-Membership)モデルを自己注意の付加バイアスとして組み込んだ,医用画像解析のための新しいViTアーキテクチャであるDCMM-Transformerを提案する。
論文 参考訳（メタデータ） (2025-11-15T05:55:01Z) - Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。
画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
論文 参考訳（メタデータ） (2024-08-01T07:35:54Z) - Modality-Agnostic Structural Image Representation Learning for Deformable Multi-Modality Medical Image Registration [22.157402663162877]
本稿では,識別的・コントラスト的・非分散的な深部構造画像表現を学習するためのモダリティ非依存的構造表現学習法を提案する。
本手法は,従来の局所的構造表現や統計的類似度尺度よりも識別性と精度の点で優れている。
論文 参考訳（メタデータ） (2024-02-29T08:01:31Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。
本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。
結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
論文 参考訳（メタデータ） (2024-01-02T19:51:49Z) - 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) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳（メタデータ） (2023-05-17T11:36:40Z) - Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。
本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。
本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
論文 参考訳（メタデータ） (2022-03-07T12:54:33Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。