論文の概要: Spatial Feature-wise Linear Modulation (SpFiLM) for Contrast Agent-Aware Brain Parcellation

• arxiv url: http://arxiv.org/abs/2609.07718v1
• Date: Mon, 07 Sep 2026 16:31:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.469984
• Title: Spatial Feature-wise Linear Modulation (SpFiLM) for Contrast Agent-Aware Brain Parcellation
• Title（参考訳）: コントラストエージェントを用いた脳機能解析のための空間的特徴量線形変調(SpFiLM)
• Abstract要約: コントラスト前エージェントと後エージェントT1w MRIの両方を確実に解析する統合ネットワークを提案する。 SpFiLMは、空間的に変化し、ボクセルのスケールを組み立て、画像由来の空間パターンからシフトする条件付け層である。
• 参考スコア（独自算出の注目度）: 7.522664088366866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most automated brain parcellation tools are developed and validated on T1-weighted (T1w) MRI. Yet, some clinical workflows for which parcellation is relevant only use contrast-enhanced T1w (T1ce) MRI, on which T1w-trained models are less accurate. We present a unified network that parcellates both pre- and post-contrast agent T1w MRI reliably, trained on a combination of the two with conditioning that spatially modulates its response differently for each. Feature-wise Linear Modulation (FiLM) is a known approach for input-based modulation in networks. It applies a per-channel scale and shift uniformly across the input. However, the appearance change between pre- and post-contrast varies locally across the brain, making FiLM suboptimal for our use case. In this work, we introduce Spatial FiLM (SpFiLM), a conditioning layer whose modulation varies spatially, assembling a voxel-wise scale and shift from image-derived spatial patterns. Using a cohort of 134 patients with paired T1w and T1ce MRI parcellated into 106 classes, the addition of SpFiLM layers in a UNet increased the mean Dice on the test set of 25 patients from 80.2% to 84.1%, a 4.9% relative improvement. Adding SpFiLM layers led to the best performance on both pre- and post-contrast MRI, even when controlling for network parameter counts.
• Abstract（参考訳）: ほとんどの自動脳解析ツールは、T1強調(T1w)MRI上で開発され、検証されている。 しかし、パーセレーションに関連するいくつかの臨床ワークフローでは、T1w訓練モデルの精度が低いコントラスト強調T1w(T1ce)MRIのみを使用する。 コントラスト前処理とMRI後処理の両方を確実に解析する統一ネットワークを提案する。 FiLM(Feature-wise Linear Modulation)は、ネットワークにおける入力ベースの変調のアプローチである。 チャネル単位のスケールを適用し、入力を均一にシフトする。 しかし、前コントラストと後コントラストの出現変化は脳全体で局所的に変化し、FiLMがユースケースに最適である。 本研究では,空間的変化が空間的に異なる条件層である空間FiLM(Spatial FiLM)を導入し,ボクセルのスケールを組み立て,画像由来の空間パターンからシフトする。 ペアT1wとT1ceMRIを106クラスに分けた134人のコホートを用いて、UNetにSpFiLM層を追加することで、25人のテストセットの平均Diceが80.2%から84.1%に増加し、相対改善率は4.9%となった。 SpFiLM層を追加することで、ネットワークパラメータ数を制御する場合でも、コントラスト前のMRIと後MRIの両方で最高のパフォーマンスを実現した。

関連論文リスト

• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• WFM: 3D Wavelet Flow Matching for Ultrafast Multi-Modal MRI Synthesis [6.254452637507739]
  WFM(Wavelet Flow Matching, ウェーブレットフローマッチング)は, ウェーブレット空間における条件付きモーダル性の平均から, ターゲット分布への直接フローを学習する手法である。 BraTS 2024では、WFMは拡散ベースラインの1-2dB以内で26.8dB PSNRと0.94SSIMを達成した。
  論文  参考訳（メタデータ） (2026-04-22T23:19:50Z)
• Brain-WM: Brain Glioblastoma World Model [56.45393372490125]
  我々は、次世代治療予測と将来のMRI生成を統一する先駆的なGBMワールドモデルであるBrain-WMを提案する。 Brain-WMは、潜在ダイナミクスを共有潜在空間に符号化し、関節自己回帰治療予測とフローベース将来のMRI生成を行う。 最終的にBrain-WMは、患者医療を最適化するための堅牢な臨床サンドボックスを提供する。
  論文  参考訳（メタデータ） (2026-03-08T09:54:08Z)
• Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
  追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。 アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。 これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
  論文  参考訳（メタデータ） (2025-11-23T19:38:03Z)
• Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI [1.2560645967579729]
  胸部・腹部領域のMRI画像におけるリアルタイム腫瘍追跡の課題について,データ不足の強い制約下での課題について検討した。 i)IMPACT類似度尺度による教師なし登録と(ii)SAM 2.1を利用した基礎モデルに基づくセグメンテーションの2つの補完戦略が検討された。 最終モデルは、微調整後の検証セット上で達成された最高Dice類似度係数に基づいて選択された。
  論文  参考訳（メタデータ） (2025-10-29T21:57:12Z)
• An Efficient 3D Latent Diffusion Model for T1-contrast Enhanced MRI Generation [7.487974687364868]
  ガドリニウム系造影剤(GBCA)は、病変の可視化を促進するために一般的にT1w MRIで使用されるが、腎原性全身線維症のリスクがある患者に限られる。 本研究では,前コントラストマルチパラメトリックMRIからT1コントラスト強調画像(T1C)を生成する3次元ディープラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2025-09-29T02:22:55Z)
• 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)
• Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors [1.2234742322758418]
  InceptionモデルとTransMorphモデルに基づく2段階カスケードネットワークを提案する。 ロス関数は、標準画像類似度測定器、拡散正則化器、および強度依存を克服するために付加されたエッジマップ類似度測定器から構成された。 BraTS-Regチャレンジの最終テストフェーズでは,モデル提出時に6位を獲得しました。
  論文  参考訳（メタデータ） (2022-12-08T22:00:07Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。