論文の概要: MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models

• arxiv url: http://arxiv.org/abs/2608.10291v1
• Date: Mon, 10 Aug 2026 22:52:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.834546
• Title: MRIComp4Flow: Compression of 3D Brain MRI for Training Multi-Modal Generative Models
• Title（参考訳）: MRIComp4Flow:多モード生成モデルの訓練のための3次元脳MRIの圧縮
• Abstract要約: 大規模なマルチモーダルMRIデータセットは、膨大なストレージとI/Oコストを課し、コモディティインフラストラクチャ上での3D生成モデルのトレーニングを制限する。 標準的な画像コーデックは, 3次元MRI生成モデルの訓練と展開に必要な忠実さを維持しつつ, 意味的にリッチな脳腫瘍MRIを効果的に圧縮できるかどうかを検討した。 JPEG2000圧縮は, 合成品質を劣化させることなく, スケーラブルな3次元MRI生成モデルを実現するための実用的なステップであることを示す。
• 参考スコア（独自算出の注目度）: 16.918923963490297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale multi-modal MRI datasets impose substantial storage and I/O costs, limiting the training of 3D generative models on commodity infrastructure. While lossy compression is known to preserve accuracy for discriminative segmentation networks, its effect on generative models, which must learn the full data distribution rather than a decision boundary, is unexplored. We study whether standard image codecs can effectively compress semantically rich brain tumor MRI while preserving the fidelity required to train and deploy a 3D MRI generative model. Each 3D volume is compressed with JPEG2000 or a near-lossless JPEG-LS pipeline. Next, a Wavelet Flow Matching model, conditioned on BraTS image sequences (T1n, T1c, T2, T2f), is trained on compressed data, and the resulting models are evaluated on the validation set. At a 20:1 compression ratio, synthesis quality is statistically equivalent to a model trained on uncompressed data within a pre-specified margin ($Δ$PSNR $<1$,dB, $Δ$SSIM $<0.02$; paired TOST $p=[[p]]$): mean PSNR is 27.3,dB vs. 27.0,dB and mean SSIM is 0.95 vs. 0.96 across modalities. Our results indicate that JPEG2000 compression is a practical step toward scalable 3D MRI generative modeling without degrading synthesis quality. The codebase is available at https://github.com/lisafis/MRIComp4Flow .
• Abstract（参考訳）: 大規模なマルチモーダルMRIデータセットは、膨大なストレージとI/Oコストを課し、コモディティインフラストラクチャ上での3D生成モデルのトレーニングを制限する。 損失圧縮は識別的セグメンテーションネットワークの精度を維持することが知られているが、決定境界よりも完全なデータ分布を学習しなければならない生成モデルへの影響は未解明である。 標準的な画像コーデックは, 3次元MRI生成モデルの訓練と展開に必要な忠実さを維持しつつ, 意味的にリッチな脳腫瘍MRIを効果的に圧縮できるかどうかを検討した。 各3DボリュームはJPEG2000またはほとんどロスレスのJPEG-LSパイプラインで圧縮される。 次に、BraTS画像シーケンス(T1n,T1c,T2,T2f)に条件付けされたウェーブレットフローマッチングモデルを圧縮データでトレーニングし、その結果のモデルを検証セットで評価する。 20:1圧縮比では、合成品質は、あらかじめ指定されたマージン内で圧縮されていないデータに基づいて訓練されたモデルに統計的に等価である(Δ$PSNR $<1$,dB,$Δ$SSIM $<0.02$; paired TOST $p=[[p]]$): 平均PSNRは27.3,dB vs. 27.0,dBで、SSIMは0.95対0.96である。 JPEG2000圧縮は, 合成品質を劣化させることなく, スケーラブルな3次元MRI生成モデルを実現するための実用的なステップであることを示す。 コードベースはhttps://github.com/lisafis/MRIComp4Flowで公開されている。

関連論文リスト

• VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
  拡散モデルは高品質な合成データを生成するが、推論が遅い。 可変ステップ拡散確率モデル(VS-DDPM)を提案する。 我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
  論文  参考訳（メタデータ） (2026-04-24T18:32:22Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• GANeXt: A Fully ConvNeXt-Enhanced Generative Adversarial Network for MRI- and CBCT-to-CT Synthesis [4.966806084618106]
  我々は3Dパッチベースの完全ConvNeXtによるCT合成のための生成対向ネットワークであるGANeXtを提案する。 特に、GANeXtは、3D ConvNeXtブロックとコンパクトカーネルを積み重ねた効率的なU字型ジェネレータを使用している。 合成品質を向上させるため、平均絶対誤差(MAE)、知覚的損失、セグメンテーションに基づくマスクMAE、対向的損失を含む損失関数の組み合わせを組み込んだ。
  論文  参考訳（メタデータ） (2025-12-22T12:32:16Z)
• Parameter-Efficient Fine-Tuning of 3D DDPM for MRI Image Generation Using Tensor Networks [23.30947697113457]
  3次元U-Netを用いた拡散確率モデル(DDPM)におけるパラメータ効率細調整(PEFT)の課題に対処する。 本研究では,3次元畳み込みバックボーンを有するDDPMを微調整するための新しいPEFT手法であるTenVOOを提案する。 この結果から, マルチスケール類似度指標(MS-SSIM)において, TenVOO が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-07-24T05:51:51Z)
• Unified 3D MRI Representations via Sequence-Invariant Contrastive Learning [0.15749416770494706]
  自己教師型深層学習は2次元の自然画像解析を加速させたが、3次元MRIへの変換は困難である。 定量的MRI(qMRI)を利用したemph-sequence-invariant self-supervised frameworkを提案する。 健常脳セグメンテーション(IXI)、脳梗塞セグメンテーション(ARC)、MRIによるデノイング実験は、ベースラインSSLアプローチよりも有意な増加を示した。
  論文  参考訳（メタデータ） (2025-01-21T11:27:54Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Slice-Consistent 3D Volumetric Brain CT-to-MRI Translation with 2D Brownian Bridge Diffusion Model [3.4248731707266264]
  神経画像では、一般的に、脳のCTはMRIよりも費用効率が高く、アクセスしやすい。 医用画像・画像翻訳(I2I)は有望な解決策である。 本研究は,2次元 DM のみに基づく高品質な3次元医療用 I2I を実現する最初の試みである。
  論文  参考訳（メタデータ） (2024-07-06T12:13:36Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Learning Scalable $\ell_\infty$-constrained Near-lossless Image Compression via Joint Lossy Image and Residual Compression [118.89112502350177]
  本稿では,$ell_infty$-constrained near-lossless image compressionを学習するための新しいフレームワークを提案する。 元の残差の学習確率モデルを定量化し、量子化残差の確率モデルを導出する。
  論文  参考訳（メタデータ） (2021-03-31T11:53:36Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。