論文の概要: TotalSynth: Robust Whole-Body Synthetic CT from MRI and CBCT
- arxiv url: http://arxiv.org/abs/2609.13838v1
- Date: Sat, 12 Sep 2026 09:46:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.564314
- Title: TotalSynth: Robust Whole-Body Synthetic CT from MRI and CBCT
- Title（参考訳）: TotalSynth:MRIおよびCBCTからのロバスト全体合成CT
- Abstract要約: データセットは、SynthRADチャレンジデータ、4つの前立腺コホート、BIC-MACから2020年から2026年の間に収集された。
リリースされたMRI-CTモデルでは、全体的なMAEは67.49 HU、SSIMは0.920、PSNRは29.28 dBであった。
CBCT-to-CTモデルは、全体的なMAEは53.55 HU、SSIMは0.939、PSNRは32.09 dBに達した。
- 参考スコア（独自算出の注目度）: 1.1049081394631575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop and evaluate TotalSynth, a reusable pretrained framework for whole-body synthetic CT (sCT) generation from MRI and cone-beam CT (CBCT) images. Materials and Methods: In this retrospective technical study, the dataset was assembled between 2020 and 2026 from SynthRAD challenge data, four prostate cohorts, and BIC-MAC. After registration quality control, 1450 of 1800 public challenge pairs were retained; 350 were excluded for insufficient registration quality or major source/CT mismatch. The corpus also included 84 additional prostate MRI/CT and 60 external BIC-MAC MRI/CT cases. Three 5-fold model families were evaluated with image-domain, anatomy-aware, registration-based, and uncertainty metrics. Age and sex were not consistently available across public datasets. Results: The released MRI-to-CT model achieved an overall MAE of 67.49 HU, SSIM of 0.920, and PSNR of 29.28 dB. The CBCT-to-CT model achieved an overall MAE of 53.55 HU, SSIM of 0.939, and PSNR of 32.09 dB. The unified model maintained similar performance on MRI inputs (MAE, 67.68 HU) and CBCT inputs (MAE, 54.22 HU). On external BIC-MAC data, MRI-to-CT MAE was 100.91 HU without fine-tuning and 62.21 HU after fine-tuning. Conclusion: TotalSynth provides reusable MRI- and CBCT-based CT synthesis models with broad anatomical coverage, while external evaluation highlights the need for local validation and optional fine-tuning under domain shift.
- Abstract（参考訳）: 目的:TotalSynthはMRIおよびコーンビームCT(CBCT)画像から全身合成CT(sCT)を再生するための再利用可能なフレームワークである。
材料と方法: この振り返りの技術研究において、データセットはSynthRADチャレンジデータ、4つの前立腺コホート、BIC-MACから2020年から2026年の間に収集された。
登録品質管理後、1800組のパブリックチャレンジペアのうち1450組が維持され、350組は登録品質の不十分さや主要なソース/CTミスマッチのために除外された。
コーパスには84個の前立腺MRI/CTと60個のBIC-MAC MRI/CT症例が含まれていた。
画像領域,解剖学的認識,登録ベース,不確実性の3つのモデル群について評価した。
年齢と性別は、公開データセットで一貫して利用できなかった。
結果: MRI-to-CT モデルでは総MAEは67.49 HU,SSIMは0.920,PSNRは29.28 dBであった。
CBCT-to-CTモデルは、全体的なMAEは53.55 HU、SSIMは0.939、PSNRは32.09 dBに達した。
統一モデルはMRI入力(MAE, 67.68 HU)とCBCT入力(MAE, 54.22 HU)で同様の性能を維持した。
外部のBIC-MACデータでは、MRI-to-CT MAEは微調整なしで100.91HU、微調整後に62.21HUであった。
結論: TotalSynthは再利用可能なMRIおよびCBCTベースのCT合成モデルで解剖学的範囲が広い一方,外部評価では局所的検証やドメインシフト下での微調整の必要性が強調される。
関連論文リスト
- Extending TotalSegmentator: Predicting Patient and Acquisition Characteristics from CT and MR Images [1.2757383896327519]
我々は,CTおよびMR画像から直接患者および取得特性を予測する高速オープンソースモデルの開発と評価を行った。
体重、身長、年齢、性別、コントラストの存在、脊椎のカバレッジ、画像ノイズが予測された。
異種CTとMR検査から患者の3Dモデル1枚を迅速に回収できる。
論文 参考訳（メタデータ） (2026-08-29T16:09:17Z) - A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - TriALS: Triphasic-Aided Liver Lesion Segmentation Benchmark in Non-Contrast CT [49.93685997940356]
コントラスト制限条件下での肝病変の自動分節に対するTriALSの課題について述べる。
最高性能は平均静脈圧0.754で, NCCTでは0.57に低下した。
アルゴリズムの性能は、トレーニングデータスケールと事前学習戦略によって最も強く予測された。
論文 参考訳（メタデータ） (2026-05-15T19:23:35Z) - Generating synthetic computed tomography for radiotherapy: SynthRAD2025 challenge report [5.438928824496922]
SynthRAD2023上に構築されたSynthRAD2025は、ヨーロッパの5つのセンターから2,362人の患者に対してsCT法をベンチマークした。
頭部・頸部の症例は最も一貫性があり,胸部・腹部の症例ではより変動がみられた。
組織界面の残留誤差はビーム経路に沿って伝播し、光子よりも陽子線量に影響を及ぼす。
論文 参考訳（メタデータ） (2026-05-13T13:59:03Z) - VS-DDPM: Efficient Low-Cost Diffusion Model for Medical Modality Translation [5.653007117827187]
拡散モデルは高品質な合成データを生成するが、推論が遅い。
可変ステップ拡散確率モデル(VS-DDPM)を提案する。
我々はBraTS2025とSynthRAD2025の課題において,MRI,腫瘍摘出,MRI-to-sCT,CBCT-to-sCTの4つの課題について検討した。
論文 参考訳（メタデータ） (2026-04-24T18:32:22Z) - Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。
DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
論文 参考訳（メタデータ） (2025-11-30T12:45:02Z) - Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。
The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。
総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
論文 参考訳（メタデータ） (2024-06-25T09:56:30Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。
明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。
CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
論文 参考訳（メタデータ） (2024-05-10T13:15:42Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z)
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。