論文の概要: Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation

• arxiv url: http://arxiv.org/abs/2607.15605v1
• Date: Fri, 17 Jul 2026 03:56:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.745721
• Title: Benchmarking MRI Representations for Deep Learning-Based Focal Cortical Dysplasia Segmentation
• Title（参考訳）: 深層学習に基づく焦点性皮質異形成に対するMRI画像のベンチマーク
• Abstract要約: 焦点性皮質異形成症(FCD)は薬剤抵抗性局所てんかんの原因の1つである。 深層学習に基づくFCDセグメンテーションへの異なるMRI表現の寄与は、いまだに理解されていない。 本稿では, nnU-Net フレームワークを用いた自動FCDセグメンテーションのためのMRI 表現のベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 0.879504058268139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Focal cortical dysplasia (FCD) is one of the leading structural causes of drug-resistant focal epilepsy, yet its subtle and heterogeneous imaging characteristics make accurate identification and delineation challenging on conventional magnetic resonance imaging (MRI). Although T1-weighted (T1w) and fluid-attenuated inversion recovery (FLAIR) images are routinely acquired for presurgical evaluation, the contribution of different MRI representations to deep learning-based FCD segmentation remains poorly understood. In this study, we present a systematic benchmark of MRI representations for automated FCD segmentation using the nnU-Net framework. A publicly available presurgical MRI dataset comprising 85 FCD subjects and 25 healthy controls was used to evaluate eight input configurations, including conventional MRI contrasts (T1w and FLAIR), ratio-derived representations, and their multimodal combinations. To isolate the effect of MRI representation, all experiments employed identical preprocessing, network architecture, optimization strategy, and five-fold cross-validation. Among the evaluated single-modality representations, FLAIR achieved the strongest overall performance, whereas ratio-derived representations alone were insufficient for reliable identification of subtle FCD. Incorporating ratio-derived representations with conventional T1w and FLAIR images consistently improved lesion delineation, with the four-channel multimodal configuration achieving the highest overall Dice score (0.376), representing a 5.0% relative improvement over the conventional T1w+FLAIR representation. These findings demonstrate that MRI representation design is an important yet underexplored component of deep learning-based FCD segmentation and should be optimized alongside network architecture.
• Abstract（参考訳）: 局所皮質異形成症(FCD)は薬剤抵抗性局所てんかんの原因の1つであるが、その微妙で均一な画像の特徴は、従来のMRI(MRI)において正確な同定とデライン化を困難にしている。 T1-weighted (T1w) と fluid-attenuated inversion recovery (FLAIR) 画像は術前評価のために定期的に取得されるが, 深層学習に基づくFCDセグメンテーションへの異なるMRI表現の寄与はよく分かっていない。 本研究では,nU-Netフレームワークを用いた自動FCDセグメンテーションのためのMRI表現の体系的ベンチマークを提案する。 従来のMRIコントラスト(T1wとFLAIR)、比率由来の表現、およびそれらのマルチモーダル組み合わせを含む8つの入力構成を評価するために,85名のFCD被験者と25名の健常者からなる一般用MRIデータセットを用いた。 MRI表現の効果を分離するために、全ての実験は同一のプリプロセッシング、ネットワークアーキテクチャ、最適化戦略、および5倍のクロスバリデーションを用いた。 評価された単一モダリティ表現のうち,FLAIRは最強の総合性能を達成したが,比派生表現だけでは微妙なFCDの信頼性は不十分であった。 従来のT1w+FLAIR画像よりも5.0%向上したDiceスコア(0.376)を達成した4チャンネルマルチモーダル構成により,従来のT1w+FLAIR画像とFLAIR画像との比由来表現を連続的に改善した。 これらの結果から,MRI表現設計は深層学習に基づくFCDセグメンテーションの重要な要素であり,ネットワークアーキテクチャとともに最適化されるべきであることが示唆された。

関連論文リスト

• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• 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)
• MPFlow: Multi-modal Posterior-Guided Flow Matching for Zero-Shot MRI Reconstruction [8.702496582146042]
  MPFlowは、修正フロー上に構築されたゼロショットマルチモーダル再構築フレームワークである。 解剖学的忠実度を改善するために、生成性を再訓練することなく、推論時に補助的なMRIモダリティを組み込む。
  論文  参考訳（メタデータ） (2026-03-04T04:25:32Z)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• SLaM-DiMM: Shared Latent Modeling for Diffusion Based Missing Modality Synthesis in MRI [0.0]
  脳MRIスキャンは、T1強調画像(T1ceとT1w)、T2強調画像(T2w)、Frairの4つのモードでしばしば見られる。 SLaM-DiMMは、拡散モデルのパワーを利用して、他の利用可能なモダリティから4つのMRIモダリティのいずれかを合成する新しいモダリティ生成フレームワークである。
  論文  参考訳（メタデータ） (2025-09-19T14:27:35Z)
• 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)
• 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)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合した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） (2024-02-13T12:21:06Z)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• 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)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• High Tissue Contrast MRI Synthesis Using Multi-Stage Attention-GAN for Glioma Segmentation [25.408175460840802]
  本稿では, 合成高組織コントラスト(HTC)画像を生成するために, 画像から画像への変換技術の有用性を示す。 我々は,組織内部のコントラストを高めるために,注意機構を有する新しいサイクル生成対向ネットワーク(CycleGAN)を採用した。 グリオーマ腫瘍を含む脳MRスキャンにおけるHTC像の合成法について述べる。
  論文  参考訳（メタデータ） (2020-06-09T03:21:30Z)

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。