論文の概要: LoRCA: LoRA Cycle Adaptation for Histology to HiP-CT Translation with DINOv3

• arxiv url: http://arxiv.org/abs/2608.10002v1
• Date: Fri, 07 Aug 2026 15:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.750521
• Title: LoRCA: LoRA Cycle Adaptation for Histology to HiP-CT Translation with DINOv3
• Title（参考訳）: LoRCA: LoRA Cycle Adaptation for Histology to HiP-CT Translation with DINOv3
• Abstract要約: 本稿では,共有冷凍DINOv3上にモダリティ固有のLoRAアダプタを組み込んだ周期整合型翻訳フレームワークを提案する。 本研究では,Fréchet Inception Distance (FID) と構造的忠実度を用いて相互情報を用いた翻訳品質を評価する。 下流登録ユーティリティの予備的な指標として,手動で調整したHiP-CTと組織学テストペア上でのMatchAnythingの下で,スタイル変換画像が特徴対応性を高めることを発見した。
• 参考スコア（独自算出の注目度）: 3.882636699866806
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hierarchical Phase-Contrast Tomography (HiP-CT) is a synchrotron based X-ray imaging technique that enables non-destructive, volumetric imaging of intact organs with multi-resolutions bridging 20 $μm$/voxel for whole organs to near-cellular resolution ($\sim$0.8 $μm$/voxel) in local regions. This offers the opportunity to bring volumetric whole-organ context to histology. However, nonlinear registration between H\&E histology and HiP-CT volumes is challenging due to the differences in feature representations of different colour spaces. Synthesis-before-registration methods have shown strong results in histology-to-MRI and histology-to-CT alignment. However, existing approaches either rely on manual anatomical contours or are trained from scratch without semantic constraints, limiting their generalisability to soft tissue organs and novel modalities. We propose LoRCA (LoRA Cycle Adaptation), a cycle consistent style translation framework built on a shared frozen DINOv3 with modality-specific LoRA adapters, learning modality-specific representations that are decoded and adversarially trained. LoRCA enables structure-preserving translation without requiring paired training data. The frozen backbone is intended to be a structural anchor that prevents content drift by preserving pretrained semantic-extraction capability. We evaluate translation quality using Fréchet Inception Distance (FID) and structural fidelity via mutual information and Canny edge preservation. LoRCA outperforms CycleGAN in both translation quality and structural consistency. As a preliminary indicator of downstream registration utility, we find that style-translated images yield increased feature correspondences under MatchAnything on manually aligned HiP-CT and histology test pairs, suggesting that LoRCA-style translation is a promising step towards 2D histological sections to 3D HiP-CT volumes registration.
• Abstract（参考訳）: HiP-CT(Hierarchical Phase-Contrast Tomography)は、シンクロトロンをベースとしたX線イメージング技術で、局所領域において、臓器全体に対して20$μm$/voxel(\sim$0.8$μm$/voxel)をブリッジした、無傷臓器の非破壊、体積イメージングを可能にする。 これは、ボリューム全体のコンテキストを組織学にもたらす機会を提供する。 しかし,異なる色空間の特徴表現の違いから,H\&EヒストロジーとHiP-CTボリュームの非線形登録は困難である。 合成-before-registration法は, 組織像-MRI, 組織像-CTアライメントにおいて有意な結果を示した。 しかし、既存のアプローチは手動の解剖学的輪郭に依存するか、意味的な制約なしにゼロから訓練され、軟組織臓器や新しいモダリティへの一般化性に制限される。 提案するLoRCA (LoRA Cycle Adaptation) は、共有冷凍DINOv3上に構築され、モダリティ固有のLoRAアダプタ、デコードされたモダリティ固有の表現を学習し、逆さまに訓練したサイクル一貫性のあるスタイル翻訳フレームワークである。 LoRCAは、ペアのトレーニングデータを必要としない構造保存翻訳を可能にする。 凍結したバックボーンは、事前訓練された意味抽出能力を保持することでコンテンツドリフトを防止する構造的なアンカーを意図している。 本研究では,Fréchet Inception Distance (FID) を用いた翻訳品質の評価を行った。 LoRCAは翻訳品質と構造整合性の両方でCycleGANを上回っている。 ダウンストリーム登録ユーティリティの予備的な指標として,手動で調整したHiP-CTとヒストロジテストペアのMatchAnythingでは,スタイル変換画像が特徴対応性を高めていることが示唆され,LoRCAスタイルの翻訳が2次元のヒストロジカルセクションから3次元HiP-CTボリューム登録への有望なステップであることが示唆された。

関連論文リスト

• Rad-JEPA 3D: Radiology Joint-Embedding Predictive Model for 3D Computed Tomography [10.665332135327205]
  ボリュームCT表現を学習する共同埋め込み予測フレームワークであるRad-JEPA 3Dを紹介する。 中間表現の質を向上させるために,隠れ状態直交正規化(HSOR)を提案する。 HSORは、生徒と教師の隠れ状態を調整し、エンコーダ全体の特徴冗長性を減少させる。
  論文  参考訳（メタデータ） (2026-07-28T19:00:17Z)
• 3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance [0.0]
  超音波(US)は非イオン化であり、広くアクセス可能であるが、操作性が高く、定量的な組織特性が欠如している。 本研究は,USから推定されるCTのような解剖学的基準量を生成する3D超音波による擬似CTフレームワークを提案する。 提案手法は, 構造的忠実度と知覚的画像品質において, 確立されたベースラインより優れる。
  論文  参考訳（メタデータ） (2026-05-06T12:52:59Z)
• 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)
• Brain MR Image Synthesis with Multi-contrast Self-attention GAN [0.2291770711277359]
  3D-MC-SAGANは3Dマルチコントラスト合成フレームワークである。 腫瘍特性を保ちながら、1つのT2入力から高忠実度欠落モードを生成する。 最先端の定量的性能を達成し、視覚的にコヒーレントで解剖学的に妥当なコントラストを生成する。
  論文  参考訳（メタデータ） (2026-03-31T13:43:53Z)
• Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
  Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。 厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。 類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
  論文  参考訳（メタデータ） (2026-03-02T10:44:03Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• Curvilinear Structure-preserving Unpaired Cross-domain Medical Image Translation [29.978321741632197]
  画像から画像への翻訳の欠如は, 医用画像の撮影において重要な技術である。 既存のアプローチは、しばしば微小血管のような微細な曲線構造を歪ませる。 本稿では,不対翻訳中の微細な曲線構造を明示的に保存するフレームワークであるCurvilinear Structure-Reserving Translation (CST)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T15:24:32Z)
• REACT-KD: Region-Aware Cross-modal Topological Knowledge Distillation for Interpretable Medical Image Classification [2.384306241677947]
  我々は,高忠実度マルチモーダルソースから軽量CTベースの学生モデルへ監督を伝達するフレームワークREACT-KDを提案する。 一方の枝は二重軌跡PET/CTで構造-機能関係を捉え,他方の枝は低用量CTを用いて線量認識する。 このフレームワークは内部のPET/CTコホートで平均93.5%のAUCを達成し、外部CT試験における線量低下のレベルによって76.6%から81.5%のAUCを維持した。
  論文  参考訳（メタデータ） (2025-08-04T06:29:34Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)

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。