Fugu-MT 論文翻訳(概要): Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning

論文の概要: Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning

arxiv url: http://arxiv.org/abs/2608.21481v1
Date: Fri, 21 Aug 2026 09:29:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-25 18:24:36.908344
Title: Multimodal pseudo-CT synthesis for PET attenuation correction using separate modality encoding and topogram conditioning
Title（参考訳）: 異なるモダリティ符号化とトポグラム条件を用いたPET減衰補正のための多モード擬似CT合成
Abstract要約: 我々は,NAC-PET,MRI,および2Dトポグラムからの擬似CT生成のためのマルチモーダル3DパッチベースのU-Netを用いたBIC-MAC Challengeに参加した。我々は、モーダル間の正確なボクセルの対応に頼らず、相補的なモーダル情報を統合するモデルを得る。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We participated in the BIC-MAC Challenge with a multimodal 3D patch-based U-Net for pseudo-CT generation from NAC-PET, MRI, and 2D topograms. By using separate PET and MR encoders, multi-scale feature fusion, and FiLM-based topogram conditioning at the bottleneck, we obtain a model that integrates complementary cross-modal information while reducing reliance on precise voxel-wise correspondence between modalities. Our final submission can be found: https://github.com/rrr-uom-projects/BIC-MAC-MICCAI2026
Abstract（参考訳）: 我々は,NAC-PET,MRI,および2Dトポグラムからの擬似CT生成のためのマルチモーダル3DパッチベースのU-Netを用いたBIC-MAC Challengeに参加した。 PETとMRエンコーダを分離し,マルチスケールな特徴融合とFiLMベースのトポグラム条件をボトルネックにすることにより,相補的な相互モーダル情報を統合するとともに,モダリティ間の正確なボクセル対応に依存しないモデルを得る。最終提出書類は、https://github.com/rrr-uom-projects/BIC-MAC-MICCAI2026。

関連論文リスト

Region-Weighted Losses and Model Fusion for Cross-Modal PET Attenuation Correction [0.3550260049014719]
本稿では,BIC-MAC(Big Cross-Modal Attenuation Correction)問題に対するアプローチについて述べる。 Hounsfield Unitsの擬似CTは、非Attenuation-Corrected PET(NAC-PET)、DIXON MRI、およびトポグラムから合成され、擬似CTとAttenuation-Corrected PET(AC-PET)の両方が再構成される。
論文参考訳（メタデータ） (2026-08-22T09:49:00Z)
Multimodal Distribution Matching for Vision-Language Dataset Distillation [50.411341509805936]
マルチモーダル分散マッチング(Multimodal Distribution Matching)は、効率的かつ一般化可能なマルチモーダル蒸留のための幾何学的枠組みである。 MDMはデータ、モデル、損失レベルで補完的なコンポーネントを統合する。マルチモーダルなセマンティクスを保存し、蒸留コストを大幅に削減し、建築全体にわたって頑丈な、コンパクトな合成セットを生成する。
論文参考訳（メタデータ） (2026-05-22T10:41:58Z)
An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation [9.922425508121012]
4つの公開データセットから4,997個のハーモナイズドスキャンを用いて,オープンソース,マルチセンター,全体FDG PET/CTファンデーションモデルを提案する。我々のフレームワークは、初期のチャネルワイド結合を伴う階層的なUNet型のバックボーンを用いており、解剖学的および代謝学的特徴の相互作用を可能にしている。オートマチック・オンコロジー・イメージングの進歩のための、堅牢でオープンソースの基盤を提供する。
論文参考訳（メタデータ） (2026-05-20T23:59:50Z)
DisQ-HNet: A Disentangled Quantized Half-UNet for Interpretable Multimodal Image Synthesis Applications to Tau-PET Synthesis from T1 and FLAIR MRI [0.05799520226281691]
DisQ-HNetは、T1強調とFLAIRMRIのペアからtau-PETを合成するフレームワークである。 DisQ-HNetは再建の忠実さを維持し、下流のアルツハイマー病に対する疾患関連シグナルをよりよく保存する。
論文参考訳（メタデータ） (2026-02-26T02:37:38Z)
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)
Divide-and-Conquer: Confluent Triple-Flow Network for RGB-T Salient Object Detection [70.84835546732738]
RGB-Thermal Salient Object Detectionは、目視と熱赤外画像のペア内の目立つ物体をピンポイントすることを目的としている。従来のエンコーダ・デコーダアーキテクチャは、欠陥モードから生じるノイズに対する頑健さを十分に考慮していなかったかもしれない。本稿では,Divide-and-Conquer戦略を用いた,堅牢なConfluent Triple-Flow NetworkであるConTriNetを提案する。
論文参考訳（メタデータ） (2024-12-02T14:44:39Z)
From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
論文参考訳（メタデータ） (2024-09-14T16:39:17Z)
Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文参考訳（メタデータ） (2023-05-30T08:24:01Z)
Connecting Multi-modal Contrastive Representations [50.26161419616139]
マルチモーダルコントラスト表現学習は、異なるモダリティを意味的に共有された空間に符号化することを目的としている。本稿では,C-MCR(Connecting Multi-Modal Contrastive Representations)と呼ばれるペアデータなしでMCRを学習するための,新たな学習効率向上手法を提案する。 C-MCRは、オーディオ画像検索、オーディオ画像のソースローカライゼーション、および対実的なオーディオ画像認識タスクにおいて、最先端のオーディオ映像のパフォーマンスを達成する。
論文参考訳（メタデータ） (2023-05-22T09:44:39Z)
Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MR Image Synthesis [52.41439725865149]
クロスモダリティ磁気共鳴(MR)画像合成は、与えられたモダリティから欠落するモダリティを生成するために用いられる。既存の(教師付き学習)手法は、効果的な合成モデルを訓練するために、多くのペア化されたマルチモーダルデータを必要とすることが多い。マルチスケールトランスフォーマーネットワーク(MT-Net)を提案する。
論文参考訳（メタデータ） (2022-12-02T11:40:40Z)

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。