論文の概要: MARR: Decoupling Policy, Execution, and Calibration for All-in-One Medical Image Restoration
- arxiv url: http://arxiv.org/abs/2609.06645v1
- Date: Sun, 06 Sep 2026 14:51:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:58:20.27127
- Title: MARR: Decoupling Policy, Execution, and Calibration for All-in-One Medical Image Restoration
- Title（参考訳）: MARR:オールインワン医用画像修復のためのデカップリングポリシー, 実行, 校正
- Abstract要約: オールインワンの医療画像復元は、1つのモデルで異質な臨床画像の復元を目指している。
完全に共有されたネットワークは、モダリティ固有の残差エラーを絡み合わせることができるが、異なるモダリティ固有のネットワークは、統一されたデプロイメントの実践的な利点を犠牲にする。
劣化ラベルや個別のモダリティ固有モデルを必要としない, 劣化対応ポリシルーティング, モダリティプライベート残差実行, 画像領域残差補正にマルチモーダル適応を制約する, コンパクトな復元フレームワークMARRを提案する。
- 参考スコア（独自算出の注目度）: 9.066063062336523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: All-in-one medical image restoration seeks to recover heterogeneous clinical images with a single model, but PET, CT, and MRI differ substantially in degradation statistics, anatomical contrast, and output-space bias. A fully shared network can entangle modality-specific residual errors, whereas separate modality-specific networks sacrifice the practical advantages of unified deployment. We therefore recast all-in-one restoration as a question of where limited adaptation should be placed: policy selection, feature execution, or output calibration. We propose MARR, a compact restoration framework that constrains multi-modality adaptation into degradation-aware policy routing, modality-private residual execution, and image-domain residual correction without requiring degradation labels or separate modality-specific models. The policy branch forms a routing prompt from input statistics, latent content, and modality identity, and uses it only as a control signal. Prompt-gated modality-private adapters then perform lightweight residual refinement at intermediate decoder stages, while zero-initialized modality-specific output heads calibrate the final image-domain residual without perturbing the initial shared prediction. On an all-in-one PET, CT, and MRI restoration benchmark, MARR outperforms thirteen methods re-trained under the same protocol, achieving PSNR values of 37.34 dB, 33.85 dB, and 32.09 dB on PET, CT, and MRI, respectively, and the best modality-average PSNR of 34.43 dB. The code is publicly available at https://github.com/CHB-learner/MARR.
- Abstract（参考訳）: オールインワンの医用画像修復は1つのモデルで異種の臨床像を復元しようとするが、PET、CT、MRIは分解統計、解剖学的コントラスト、出力空間バイアスで大きく異なる。
完全に共有されたネットワークは、モダリティ固有の残差エラーを絡み合わせることができるが、異なるモダリティ固有のネットワークは、統一されたデプロイメントの実践的な利点を犠牲にする。
したがって、ポリシーの選択、機能実行、出力キャリブレーションといった限定的な適応がどこに置かれるべきかという問題として、オールインワンの復元をリキャストする。
劣化ラベルや個別のモダリティ固有モデルを必要としない, 劣化対応ポリシルーティング, モダリティプライベート残差実行, 画像領域残差補正にマルチモーダル適応を制約する, コンパクトな復元フレームワークMARRを提案する。
ポリシーブランチは、入力統計、潜時コンテンツ、モダリティアイデンティティからルーティングプロンプトを生成し、制御信号としてのみ使用する。
プロンプトゲート方式のモダリティプライベートアダプタは中間デコーダ段階で軽量残差補正を行い、ゼロ初期化モード比出力ヘッドは初期共有予測を邪魔することなく最終画像領域残差を校正する。
オールインワンPET、CT、MRIの回復ベンチマークでは、MARRは同じプロトコルの下で再訓練された13の手法より優れており、PET、CT、MRIでそれぞれ37.34dB、33.85dB、32.09dBのPSNR値、34.43dBの最高のモダリティ平均PSNRが達成されている。
コードはhttps://github.com/CHB-learner/MARRで公開されている。
関連論文リスト
- Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。
既存の方法はPBSに対して限られた有効性を示した。
PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
論文 参考訳（メタデータ） (2026-08-01T08:13:20Z) - 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) - Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。
ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。
3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
論文 参考訳（メタデータ） (2026-08-01T04:46:55Z) - MIRAGE: Multi-scale Lesion-Informed Representation with Auxiliary Guidance for MRI Contrast Enhancement [7.375452467540828]
我々は,大域的再建と知覚的損失を3種類の病変認識監視と組み合わせた残存2次元U-NetであるMIRAGEを紹介する。
マルチ中心MAMA-SYNTHデータから, 8つの補完画像, 領域, 放射能, セグメンテーションに基づく測定値を用いて, 301症例について評価を行った。
論文 参考訳（メタデータ） (2026-07-21T14:26:59Z) - Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。
3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。
正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
論文 参考訳（メタデータ） (2026-06-24T08:10:27Z) - CADRE: Stable, Parameter Efficient Adaptation of Medical Vision Language Models with Bounded Forgetting and Prior Drift [0.10742675209112622]
新しい画像モダリティのためのデプロイモデルの更新は、患者を傷つける2つの方法で静かに失敗する可能性がある。
本研究は,これらの2つの特性によるパラメータ効率の連続的適応について,リーダーボードの精度を忘れることなく検討する。
CADRE は低ランク適応 (LoRA) とオンラインの自己スケーリング,類似性を考慮した弾性重み付けという用語を組み合わせたフリーズバックボーンフレームワークである。
論文 参考訳（メタデータ） (2026-06-22T15:34:32Z) - 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) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
論文 参考訳（メタデータ） (2025-09-26T14:22:15Z) - UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳（メタデータ） (2025-09-19T17:29:25Z) - Improving Generalization in MRI-Based Deep Learning Models for Total Knee Replacement Prediction [0.6384218409986929]
バッチ正規化をインスタンス正規化に置き換え、データ拡張を使用し、コントラスト損失を適用することにより、一般化が向上することを示す。
トレーニングと評価のために,OAIデータベースを用いたMRIデータを用いた。
論文 参考訳（メタデータ） (2025-04-27T11:41:19Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z)
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。