論文の概要: SynthRCT: Scalable Conditional Deformation Synthesis for Synthetic Repeat CT Generation

• arxiv url: http://arxiv.org/abs/2609.08627v1
• Date: Tue, 08 Sep 2026 12:00:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.642674
• Title: SynthRCT: Scalable Conditional Deformation Synthesis for Synthetic Repeat CT Generation
• Title（参考訳）: SynthRCT:Synthetic Repeat CT生成のためのスケーラブルな条件変形合成
• Abstract要約: 本稿では,3次元解剖学的変形合成のための拡張型条件生成フレームワークであるSynthRCTを提案する。 条件付き変分オートエンコーダに基づいて、SynthRCTは潜時変形空間を学習し、サンプル潜時符号を復号する。 呼吸4DCTデータに対する複数の呼吸相解剖学的検討を行った。
• 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: In proton therapy, plans are typically optimized on a single planning CT, making robustness evaluation essential under anatomical changes. However, current scenarios often rely on simplified perturbations that poorly capture complex, patient-specific variability. We propose SynthRCT, a scalable conditional generative framework for 3D anatomical deformation synthesis. Based on a conditional variational autoencoder, SynthRCT learns a latent deformation space and decodes sampled latent codes into local stationary velocity fields conditioned on an input anatomy. Local fields are assembled into coherent full-volume transformations, enabling memory-scalable generation for large field-of-view CT data. We validate the approach on respiratory 4DCT data with multiple breathing-phase anatomies per subject. SynthRCT enables patient-specific sampling of plausible anatomical transformations beyond predefined robustness scenarios. Code available at: https://github.com/TomasGuija/SynthRCT.
• Abstract（参考訳）: プロトン療法では、計画は通常単一の計画CTに最適化され、解剖学的変化の下では堅牢性の評価が不可欠である。 しかし、現在のシナリオは、複雑で患者固有の変数を捉えにくい、単純化された摂動に依存していることが多い。 本稿では,3次元解剖学的変形合成のための拡張型条件生成フレームワークであるSynthRCTを提案する。 条件付き変分オートエンコーダに基づいて、SynthRCTは潜時変形空間を学習し、サンプルされた潜時符号を入力解剖学的に条件付けられた局所定常速度場に復号する。 局所フィールドはコヒーレントなフルボリューム変換に組み立てられ、大きな視野CTデータに対してメモリスケーリング可能な生成を可能にする。 呼吸4DCTデータに対する複数の呼吸相解剖学的検討を行った。 SynthRCTは、事前に定義された堅牢性シナリオを超えて、患者固有の可塑性解剖学的変換のサンプリングを可能にする。 コードは、https://github.com/TomasGuija/SynthRCT.comで公開されている。

関連論文リスト

• B-MIM: Biased Masked Image Modeling for Generalizable Segmentation of Fine-Grained Anatomical Structures [42.844780603412325]
  自己監督型プレトレーニングは、医療画像の転送可能な表現を可能にする。 ほとんどのCTエンコーダは、いまだに粗い意味理解に偏っている。 グローバルなセマンティックアライメントを低減するために、バイアスドマスク画像モデリングを導入する。
  論文  参考訳（メタデータ） (2026-08-25T10:20:05Z)
• Evidence-Based Text-Conditioned 3D CT Synthesis for Ovarian Cancer [9.862634656196759]
  卵巣癌はしばしば進行期と診断され,術前造影CT(Content-enhanced Computed Tomography)がステージングと手術計画の中心となる。 テキストコンディショニングによる3次元CT合成は有望であるが,既存のパイプラインはペアドラジオグラフィーの報告に依存し,胸部CTでのみ評価されている。 我々は,CT画像記述子と定期的な臨床メタデータから直接,標準化されたファインディングと印象セクションを構築するフレームワークであるOvESynを提案する。
  論文  参考訳（メタデータ） (2026-06-27T15:30:29Z)
• 3D Ultrasound-Derived Pseudo-CT Synthesis Using a Transformer-Augmented Residual Network for Real-Time Operator Guidance [0.0]
  超音波(US)は非イオン化であり、広くアクセス可能であるが、操作性が高く、定量的な組織特性が欠如している。 本研究は,USから推定されるCTのような解剖学的基準量を生成する3D超音波による擬似CTフレームワークを提案する。 提案手法は, 構造的忠実度と知覚的画像品質において, 確立されたベースラインより優れる。
  論文  参考訳（メタデータ） (2026-05-06T12:52:59Z)
• Adaptive Texture-aware Masking for Self-Supervised Learning in 3D Dental CBCT Analysis [46.96606285805449]
  Cone Beam Computed Tomography (CBCT) は歯科における3次元画像診断に重要である。 ボリューム分析のための堅牢なAIモデルの開発は、大きな注釈付きデータセットの不足によって制約されることが多い。 我々は,新しい適応マスキング戦略であるATMaskを提案する。
  論文  参考訳（メタデータ） (2026-05-03T06:42:28Z)
• PHASOR: Anatomy- and Phase-Consistent Volumetric Diffusion for CT Virtual Contrast Enhancement [60.81732730684265]
  本稿では,高忠実度仮想コントラスト拡張(VCE)のための体積拡散フレームワークPHASORを紹介する。 我々は、CTボリュームをコヒーレントシーケンスとして扱うことにより、ビデオ拡散モデルを利用して、構造的コヒーレンスとボリューム精度を向上させる。 まず, 解剖学的意味論に固有の拡張パターンを固定し, 臓器特異的なメモリを付加して, より詳細な情報を収集する。 第二に、インテンシティ・フェイズ・アウェアメント・アライメント・アライメント(IP-REPA)は、不完全な空間アライメントの影響を緩和しつつ、複雑なコントラスト信号を強調する。
  論文  参考訳（メタデータ） (2026-04-01T15:57:18Z)
• AnyCXR: Human Anatomy Segmentation of Chest X-ray at Any Acquisition Position using Multi-stage Domain Randomized Synthetic Data with Imperfect Annotations and Conditional Joint Annotation Regularization Learning [0.0]
  我々は任意のCXR射影角をまたいで一般化可能な多臓器分割を可能にする統一フレームワークであるAnyCXRを提案する。 我々はAnyCXRを完全に合成データに基づいて訓練し,PA,側方,斜視で54の解剖学的構造を正確に記述した。 その結果,AnyCXRは解剖学的CXR解析のためのスケーラブルで信頼性の高い基盤を確立していることがわかった。
  論文  参考訳（メタデータ） (2025-12-19T06:27:14Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• BridgeSplat: Bidirectionally Coupled CT and Non-Rigid Gaussian Splatting for Deformable Intraoperative Surgical Navigation [69.14180476971602]
  変形可能な手術ナビゲーションのための新しいアプローチであるBridgeSplatを紹介する。 提案手法は3次元ガウスをCTメッシュにリグし,ガウスパラメータとメッシュ変形の合同最適化を可能にする。 シミュレーションにより,BridgeSplatがブタの内臓手術およびヒト肝臓の合成データに与える影響を実証した。
  論文  参考訳（メタデータ） (2025-09-23T01:09:36Z)
• CTFlow: Video-Inspired Latent Flow Matching for 3D CT Synthesis [7.57931364659531]
  臨床報告に条件付き潜時流整合変圧器モデルであるCTFlowを紹介する。 FLUXのA-VAEを用いて潜伏空間を定義し,CT-Clipテキストエンコーダを用いて臨床報告を符号化する。 我々は,現状のCTモデルと比較し,時間的コヒーレンス,画像の多様性,テキスト画像のアライメントの観点から,我々のアプローチの優位性を実証した。
  論文  参考訳（メタデータ） (2025-08-18T12:58:21Z)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• DuDoTrans: Dual-Domain Transformer Provides More Attention for Sinogram Restoration in Sparse-View CT Reconstruction [13.358197688568463]
  撮像過程におけるヨウ素の放射線は 不可逆的な損傷を引き起こす スパースビューCT画像に現れるアーティファクトを緩和する反復モデルが提案されているが,コストが高すぎる。 textbfDual-textbfDomain textbfDuDoTransを提案する。
  論文  参考訳（メタデータ） (2021-11-21T10:41:07Z)

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。