論文の概要: Pre- to Post-Contrast Synthesis of Breast DCE-MRI using Latent Bridge Matching
- arxiv url: http://arxiv.org/abs/2608.10000v1
- Date: Fri, 07 Aug 2026 14:46:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.749438
- Title: Pre- to Post-Contrast Synthesis of Breast DCE-MRI using Latent Bridge Matching
- Title（参考訳）: ラテントブリッジマッチングを用いた乳腺DCE-MRIのコントラスト前合成
- Authors: Sina Amirrajab, Zohaib Salahuddin, Henry C Woodruff, Philippe Lambin,
- Abstract要約: コントラスト前画像からピーク強調乳房DCE-MRIを合成するための潜在ブリッジマッチングフレームワークを提案する。
潜伏UNetは、中間ブリッジ状態からピーク拡張潜伏状態への残りの補正を予測し、反復的な洗練を可能にする。
- 参考スコア（独自算出の注目度）: 0.8910258272248508
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) is central to breast cancer imaging, but gadolinium administration increases scan burden and motivates contrast-reduced alternatives, including synthetic contrast generation. We propose a latent bridge matching (LBM) framework for synthesizing peak-enhanced breast DCE-MRI from pre-contrast images in the MAMA-SYNTH challenge setting. Instead of starting from Gaussian noise as in conventional latent diffusion models (LDMs), the proposed model learns a conditional bridge between paired pre-contrast and peak-enhanced VAE latents. A latent UNet predicts the remaining correction from intermediate bridge states to the peak-enhanced latent, enabling iterative refinement while keeping the trajectory anchored to patient-specific anatomy. We evaluated two LBM conditioning variants on 91 DUKE validation cases. For the tumor-conditioned variant, tumor masks were used as conditioning inputs. Tumor-conditioning improved performance compared with pre-contrast conditioning, reducing MSE from 1.023 to 0.940 and FRD from 7.523 to 4.716, while increasing tumor SSIM from 0.355 to 0.429. The tumor-conditioned LBM also outperformed the evaluated LDM baseline on this validation cohort. These results suggest that latent bridge matching is a promising pre-contrast-anchored formulation for virtual contrast enhancement, while further work is needed to validate generalization and remove dependence on ground-truth tumor masks at inference.
- Abstract（参考訳）: ダイナミックコントラスト強調MRI(Dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)は乳がん画像の中心であるが、ガドリニウム投与はスキャン負荷を増大させ、合成コントラスト生成を含むコントラスト誘発の代替を動機付ける。
我々は,MAMA-SYNTHチャレンジ設定のコントラスト前画像からピーク強調乳房DCE-MRIを合成するための潜在ブリッジマッチング(LBM)フレームワークを提案する。
従来の潜時拡散モデル (LDM) のようにガウス雑音から始める代わりに, 提案モデルでは, ペア付き事前コントラストとピーク励磁VAE潜時流の条件付きブリッジを学習する。
潜伏UNetは、中間ブリッジ状態からピーク拡張潜伏状態への残りの補正を予測し、患者固有の解剖学に固定された軌道を維持しながら反復的な改善を可能にする。
91 DUKE 症例に対して 2 種類の LBM 条件付き変種を評価した。
腫瘍条件付き変種では, 腫瘍マスクを条件入力として使用した。
腫瘍条件はコントラスト前条件と比較して改善し、MSEは1.023から0.940に、FRDは7.523から4.716に減少し、腫瘍SSIMは0.355から0.429に増加した。
腫瘍条件のLBMは, この検証コホートで評価されたLCMベースラインよりも優れていた。
以上の結果から,遅延ブリッジマッチングは仮想コントラスト増強のための有望なコントラストアンコール式であり,さらに一般化を検証し,推測時の地中トラスマスマスクへの依存を除去するためには,さらなる作業が必要であることが示唆された。
関連論文リスト
- Dense Temporal Contrast Synthesis via Conditioned Latent Transport [28.227068680720194]
乳がん治療にはダイナミックコントラスト強調画像(DCE-MRI)が不可欠であるが,ガドリニウム系造影剤(GBCAs)に依存している。
コントラスト合成は非侵襲的な代替手段を提供するが、既存のアプローチは空間的リアリズムと時間的連続性のバランスをとるのに苦労している。
コントラスト向上を予測できる新しい条件付き潜伏輸送フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-31T13:12:58Z) - 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) - 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) - TuLaBM: Tumor-Biased Latent Bridge Matching for Contrast-Enhanced MRI Synthesis [20.762246680129643]
腫瘍性潜伏ブリッジマッチング法はBranian bridge transportとしてNC-to-CE MRIを翻訳する
TuLaBMは、画像全体と腫瘍領域のメトリクスの両方で、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2026-03-19T18:22:09Z) - Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。
Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。
最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
論文 参考訳（メタデータ） (2026-03-08T09:54:08Z) - 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) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - 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) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-03-06T08:35:29Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。