論文の概要: Task-Adaptive 3D Cross-Field MRI Translation via Field-Conditioned Content-Style Pretraining
- arxiv url: http://arxiv.org/abs/2608.09264v1
- Date: Mon, 10 Aug 2026 08:18:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.145764
- Title: Task-Adaptive 3D Cross-Field MRI Translation via Field-Conditioned Content-Style Pretraining
- Title（参考訳）: フィールドコンディション型コンテンツスタイル事前学習によるタスク適応型3次元クロスフィールドMRI翻訳
- Abstract要約: 対象物固有の解剖学を保存しながら、対象物の特徴を生成する必要がある。
フィールド条件付きコンテンツ型事前学習に基づく3次元非対向型クロスフィールドMRI翻訳フレームワークを提案する。
本モデルは,3Dコンテンツエンコーダ,3Dスタイルエンコーダ,フィールド条件付きスタイルジェネレータ,AdaIN変調デコーダ,マルチフィールド識別器からなる。
- 参考スコア（独自算出の注目度）: 0.20391237204597365
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic field strength is a major source of domain shift in magnetic resonance imaging (MRI), affecting signal-to-noise ratio, tissue contrast, spatial detail, and the visibility of anatomical boundaries. The MRIxFields 2026 challenge investigates this problem through cross-field MRI translation across acquisitions at 0.1T, 1.5T, 3T, 5T, and 7T. Its three tasks, Any-to-7T, 0.1T-to-High, and Any-to-Any synthesis, require the generation of target-field image characteristics while preserving subject-specific anatomy. This problem is particularly challenging because paired acquisitions of the same subject across multiple field strengths are rarely available for training. We propose a 3D unpaired cross-field MRI translation framework based on field-conditioned content-style pretraining. The proposed framework first learns controllable field-to-field translation across all available field strengths by disentangling anatomical content from field-dependent contrast characteristics. The pretrained backbone is then adapted to task-specific target domains. Our model comprises a 3D content encoder, a 3D style encoder, a field-conditioned style generator, an AdaIN-modulated decoder, and a multi-field discriminator. Adversarial learning encourages realistic target-field appearance, while cycle-consistency, identity, content, style, and diversity constraints promote anatomical fidelity and controllable translation. We evaluate the proposed method on MRIxFields data spanning five field strengths and three MRI modalities. Experiments on paired test data demonstrate that the framework can adapt to the three challenge settings while preserving three-dimensional anatomical structure in the synthesized volumes. The implementation code is publicly available at https://github.com/Idea89560041/3D-MRI-Field-Translation.
- Abstract（参考訳）: 磁場強度は磁気共鳴画像(MRI)の主要な領域シフトの源であり、信号と雑音の比、組織コントラスト、空間的詳細、解剖学的境界の視認に影響を及ぼす。
MRIxFields 2026の課題は、0.1T, 1.5T, 3T, 5T, 7Tで取得した領域間のMRI変換によってこの問題を調査する。
Any-to-7T、0.1T-to-High、およびAny-to-Any合成という3つのタスクは、対象固有の解剖学を保ちながら、ターゲット-フィールド特性の生成を必要とする。
この問題は、複数の分野の強みにまたがる同じ主題のペア取得が、トレーニングにはほとんど利用できないため、特に困難である。
フィールド条件付きコンテンツ型事前学習に基づく3次元非対向型クロスフィールドMRI翻訳フレームワークを提案する。
提案フレームワークは、まず、フィールド依存コントラスト特性から解剖学的内容を引き離すことにより、利用可能なすべてのフィールド強度の制御可能なフィールド間翻訳を学習する。
事前訓練されたバックボーンはタスク固有のターゲットドメインに適合する。
本モデルは,3Dコンテンツエンコーダ,3Dスタイルエンコーダ,フィールド条件付きスタイルジェネレータ,AdaIN変調デコーダ,マルチフィールド識別器からなる。
対立学習は現実的なターゲットフィールドの出現を促進する一方で、サイクル一貫性、アイデンティティ、コンテンツ、スタイル、多様性の制約は解剖学的な忠実さと制御可能な翻訳を促進する。
提案手法をMRIxFieldsデータ上で5つのフィールド強度と3つのMRIモードにまたがって評価する。
組合わせ試験データを用いた実験により, 合成ボリュームの3次元解剖学的構造を保ちながら, フレームワークが3つの課題に適応できることが実証された。
実装コードはhttps://github.com/Idea89560041/3D-MRI-Field-Translationで公開されている。
関連論文リスト
- 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) - Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。
CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
論文 参考訳（メタデータ） (2026-02-20T18:05:39Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳（メタデータ） (2025-10-05T12:35:01Z) - RTGMFF: Enhanced fMRI-based Brain Disorder Diagnosis via ROI-driven Text Generation and Multimodal Feature Fusion [13.589735978929085]
RTGMFFは自動ROIレベルのテキスト生成とマルチモーダルな特徴融合を統合化して脳障害診断を行うフレームワークである。
RTGMFFは診断精度において現在の手法を上回り、感度、特異性、およびROC曲線下における領域の顕著な向上を達成している。
論文 参考訳（メタデータ） (2025-09-03T11:05:57Z) - MinD-3D++: Advancing fMRI-Based 3D Reconstruction with High-Quality Textured Mesh Generation and a Comprehensive Dataset [50.534007259536715]
機能的磁気共鳴イメージング(fMRI)データから3次元視覚を再構成することは、認知神経科学とコンピュータビジョンにとって重要な関心事である。
我々は15人の参加者のデータを含むfMRI-3Dデータセットを提示し、合計4,768個の3Dオブジェクトを展示する。
テクスチャ化された3次元視覚情報をfMRI信号から復号する新しいフレームワークMinD-3D++を提案する。
論文 参考訳（メタデータ） (2024-09-17T16:13:59Z) - MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - 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) - 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) - Disentangled Latent Energy-Based Style Translation: An Image-Level Structural MRI Harmonization Framework [20.269574292365107]
我々は、未ペア画像レベルのMRIハーモニゼーションのための新しいフレームワークを開発する。
a)サイト不変画像生成(SIG)、(b)サイト固有スタイル翻訳(SST)、(c)サイト固有MRI合成(SMS)からなる。
遅延空間における画像生成とスタイル翻訳を両立させることにより、DLESTは効率的なスタイル翻訳を実現することができる。
論文 参考訳（メタデータ） (2024-02-10T03:42:37Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - Fully Automated 3D Segmentation of MR-Imaged Calf Muscle Compartments:
Neighborhood Relationship Enhanced Fully Convolutional Network [6.597152960878372]
FilterNetは新しい完全畳み込みネットワーク(FCN)であり、個々のふくらはぎの筋肉の区画分割にエッジ対応の制約を埋め込む。
FCNは健常者10名, 疾患者30名のT1強調MRI像を4倍のクロスバリデーションで評価した。
論文 参考訳（メタデータ） (2020-06-21T22:53:58Z)
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。