論文の概要: RARF: Region-Aware Rectified Flows for 3D Brain MRI Inpainting

• arxiv url: http://arxiv.org/abs/2609.03956v1
• Date: Thu, 03 Sep 2026 14:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.123931
• Title: RARF: Region-Aware Rectified Flows for 3D Brain MRI Inpainting
• Title（参考訳）: RARF : 3次元脳MRI像に対する領域認識整流
• Abstract要約: 医用画像の塗布は、病理領域内の健全な組織を再構築することにより、自動脳MRI解析を改善する可能性がある。 本稿では,タスクに依存しない領域認識型正規化フローフレームワークであるRARFを紹介する。 BraTS評価プロトコルによる実験により,提案手法は競争力のある再構築を実現することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image inpainting has the potential to improve automated brain MRI analysis by reconstructing healthy tissue within pathological regions. We introduce RARF, a task-agnostic region-aware rectified flow framework for masked data generation. We instantiate the framework for 3D brain MRI inpainting as our submission to the BraTS Inpainting Challenge 2026. RARF restricts the stochastic interpolation process to the inpainting region, while the observed voxels remain fixed and provide patient-specific anatomical context. A three-dimensional neural network receives the partially voided image, with Gaussian noise filling the missing region, together with the inpainting mask and the corresponding timestep. The model is trained using masked flow-matching and reconstruction-consistency objectives, combined with mask-aware preprocessing and data augmentation. During inference, the learned velocity field transports the initial noise toward a plausible reconstruction of the missing tissue, which is then combined with the unchanged observed anatomy. Experiments under the BraTS evaluation protocol show that the proposed approach produces competitive reconstructions while maintaining anatomical consistency. Source code is available at: https://github.com/TomasGuija/rarf.
• Abstract（参考訳）: 医用画像の塗布は、病理領域内の健全な組織を再構築することにより、自動脳MRI解析を改善する可能性がある。 本稿では,タスクに依存しない領域認識型正規化フローフレームワークであるRARFを紹介する。 我々は,BraTS Inpainting Challenge 2026への提出として,3次元脳MRIインパインティングの枠組みをインスタンス化する。 RARFは確率的補間過程を塗布領域に制限し、観察されたボクセルは固定され、患者固有の解剖学的文脈を提供する。 三次元ニューラルネットワークは、塗装マスクと対応する時間ステップととともに、欠落した領域にガウスノイズが充満した部分空き画像を受信する。 このモデルは、マスク付きフローマッチングと再構成一貫性の目標を用いてトレーニングされ、マスク対応の前処理とデータ拡張が組み合わされている。 推測中、学習された速度場は、欠落した組織の可視的な再構築に向けて初期ノイズを輸送し、その後、観察されない解剖学と組み合わせる。 BraTS評価プロトコルによる実験により, 提案手法は解剖学的整合性を維持しつつ, 競争力のある再構築を実現することを示した。 ソースコードは、https://github.com/TomasGuija/rarf.comで入手できる。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Flow Matching for Conditional MRI-CT and CBCT-CT Image Synthesis [0.0]
  Flow Matching frameworkは、MRIまたはCBCT画像から合成CTを生成するために使用される。 3つの解剖学的領域にわたるMRI sCT と CBCT sCT のモデルを訓練する。 その結果,グローバルな解剖学的構造を正確に再構築できることが示唆された。 今後の研究は、パッチベースのトレーニングとラテントスペースフローモデルを使って、解像度と局所的な構造的忠実性を改善することである。
  論文  参考訳（メタデータ） (2025-10-06T14:07:03Z)
• Integrating Anatomical Priors into a Causal Diffusion Model [14.471851828800055]
  3Dの脳MRI研究は、視覚的に検出するのが難しい微妙な形態計測の違いを調べることが多い。 ファクトファクトモデルは、微細な解剖学的詳細を保持するために明示的な誘導バイアスが欠如しているため、プラウジブルMRIを作成するのに苦労する。 本稿では,前述したボクセルレベルの解剖学的制約を,生成拡散フレームワークに明示的に統合することを提案する。
  論文  参考訳（メタデータ） (2025-09-10T23:22:05Z)
• ZECO: ZeroFusion Guided 3D MRI Conditional Generation [11.645873358288648]
  ZECOはZeroFusionでガイドされた3D MRI条件生成フレームワークである。 対応する3Dセグメンテーションマスクを備えた高忠実度MRI画像の抽出、圧縮、生成を行う。 ZECOは、脳MRIデータセットの定量的および質的な評価において、最先端モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-03-24T00:04:52Z)
• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• 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)
• Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
  磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。 これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。 我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-06-21T16:19:07Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Recurrent Variational Network: A Deep Learning Inverse Problem Solver applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
  本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。 RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。 提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
  論文  参考訳（メタデータ） (2021-11-18T11:44:04Z)

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。