論文の概要: Bridging Modalities on the Cortex: Surface-based MRI to PET Translation with a Diffusion Bridge

• arxiv url: http://arxiv.org/abs/2609.20147v1
• Date: Thu, 17 Sep 2026 12:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.272519
• Title: Bridging Modalities on the Cortex: Surface-based MRI to PET Translation with a Diffusion Bridge
• Title（参考訳）: 皮質の橋渡しモーダリティ:拡散ブリッジを用いた表面MRIからPETへの変換
• Abstract要約: Fluorodeoxy Positron Emission Tomography (FDG-PET) により測定された皮質低代謝は、認知症診断のための高感度バイオマーカーである。 本稿では,MRI-PET翻訳のための新しい表面拡散ブリッジフレームワークDB-SUiTを提案する。 条件付き球面型U字型視覚変換器(SUiT)は複雑な相互モーダル関係をモデル化するように設計されている。
• 参考スコア（独自算出の注目度）: 42.06716029758852
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cortical hypometabolism measured by Fluorodeoxyglucose Positron Emission Tomography (FDG-PET) is a highly sensitive biomarker for dementia diagnosis. However, high costs, radiation exposure, and limited accessibility constrain its clinical utility. While cross-modal synthesis from Magnetic Resonance Imaging (MRI) offers a promising alternative, existing volumetric generation methods do not explicitly account for the highly folded cortical geometry, where disease-related patterns predominantly reside. To address this, we introduce a novel surface-based diffusion bridge framework DB-SUiT for MRI-to-PET translation that operates natively on the cortical manifold. A conditional Spherical U-shaped vision Transformer (SUiT) is specifically designed to model the intricate cross-modal relationships while preserving surface topology. It combines spherical convolutional encoders for multi-scale surface feature extraction with bottleneck Transformers to capture long-range spatial dependencies, while incorporating demographic and subcortical conditions to refine the synthesis. Evaluated on two datasets, including subjects with different dementia types, DB-SUiT demonstrates high-fidelity synthesis that substantially outperforms other baselines. In automated dementia classification, synthesized PET surfaces improve performance over MRI by 14.2% and PET volumes by 11.3%, approaching the performance of real PET surfaces. In a blinded reader study, synthetic PET achieved 85.5% diagnostic accuracy, compared with 75.8% for MRI and 95.2% for real PET. This further demonstrates cross-cohort and cross-pathology generalization, as the model was evaluated without retraining on an external cohort that included a dementia subtype not represented during training. Our code is available at https://github.com/ai-med/DB-SUiT.
• Abstract（参考訳）: Fluorodeoxyglucose Positron Emission Tomography (FDG-PET) は認知症診断のための高感度バイオマーカーである。 しかし、高コスト、放射線曝露、アクセシビリティの制限により臨床効果は制限される。 磁気共鳴イメージング(MRI)によるクロスモーダル合成は有望な代替手段であるが、既存の体積生成法は、疾患関連パターンが主に存在する高度に折り畳まれた皮質形状を明示的に説明していない。 そこで我々は,脳皮質多様体上でネイティブに動作するMRI-to-PET翻訳のための新しい表面拡散ブリッジフレームワークDB-SUiTを提案する。 条件付き球面U字型視覚変換器 (SUiT) は、表面トポロジーを保ちながら複雑な相互モーダル関係をモデル化するように設計されている。 マルチスケール表面特徴抽出のための球面畳み込みエンコーダとボトルネックトランスフォーマーを組み合わせて長距離空間依存を捕捉し、人口層と皮質下条件を取り入れて合成を洗練させる。 認知症の種類が異なる被験者を含む2つのデータセットで評価され、DB-SUiTは、他のベースラインを大幅に上回る高忠実な合成を示す。 自動認知症分類では、合成PET表面はMRIよりも14.2%、PET体積は11.3%向上し、実際のPET表面のパフォーマンスに近づいた。 視覚障害者の研究では、合成PETは85.5%の診断精度を達成し、MRIでは75.8%、実際のPETでは95.2%を達成した。 このことは、トレーニング中に表現されない認知症サブタイプを含む外部コホートをトレーニングすることなく、モデルを評価することにより、クロスコホートとクロスコホートを一般化することを示している。 私たちのコードはhttps://github.com/ai-med/DB-SUiT.comで利用可能です。

関連論文リスト

• Lesion-Aware Adaptive Fourier Neural Operator for CT-to-PSMA PET Synthesis in Prostate Cancer [0.8431877864777443]
  CTやMRIからPETを合成するディープラーニングモデルは、患者の服用量や需要を減らすことができるが、典型的には、すべてのボキセルを同様に扱うL1や平均二乗誤差(MSE)のような世界的な損失に最適化されている。 LAFNOはCT-to-PSMA-PET用適応フーリエニューラル演算子で、高次元の放射能条件を2つの効率的なCT由来のプロキシチャネルに置き換える。
  論文  参考訳（メタデータ） (2026-08-11T03:24:03Z)
• Virtual Scanning for NSCLC Histology: Investigating the Discriminatory Power of Synthetic PET [2.014801947349493]
  非小細胞肺癌(NSCLC)における腺癌(ADC)と扁平上皮癌(SCC)の正確な組織分化はパーソナライズされた治療に重要である 18$F]FDG PET/CTは肺がんの臨床評価の標準ツールであるが、高コストと放射線曝露によってその有用性は制限されることが多い。 本稿では,FDG-PET/CT Lesionsデータセットで事前訓練した3D Pix2Pix Generative Adversarial Network (GAN) を用いて,解剖学的CTスキャンから擬似PETボリュームを合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T15:46:53Z)
• Translating MRI to PET through Conditional Diffusion Models with Enhanced Pathology Awareness [9.229807776105504]
  PASTAは,病的認知度を高めた条件付き拡散モデルに基づく新しい画像翻訳フレームワークである。 アルツハイマーの診断では、これらの合成スキャンの性能はMRIよりも4%向上し、実際のPETの性能にほぼ達する。
  論文  参考訳（メタデータ） (2026-03-19T13:36:19Z)
• Unveiling and Bridging the Functional Perception Gap in MLLMs: Atomic Visual Alignment and Hierarchical Evaluation via PET-Bench [48.60251555171943]
  MLLM(Multimodal Large Language Models)は、異常検出や解剖学的モダリティのレポート生成などのタスクにおいて、顕著な熟練性を示した。 本研究では, 機能的トレーサの生体分布を, 形態的先行性とは無関係に復号化できない現状の視覚エンコーダについて, 基本的な機能的知覚ギャップを定量化する。 PET-Benchは52,308個の階層型QAペアからなるPET-Benchの最初の大規模機能評価ベンチマークである。 AVAは認知ギャップを効果的に橋渡しし、CoTを幻覚源から頑健な推論ツールに変換し、診断を改善していることを示す。
  論文  参考訳（メタデータ） (2026-01-06T05:58:50Z)
• Supervised Diffusion-Model-Based PET Image Reconstruction [44.89560992517543]
  PET画像再構成の前兆として拡散モデル (DM) が導入された。 PET再構成のための教師付きDMベースアルゴリズムを提案する。 本手法はPETのポアソン確率モデルの非負性性を強制し,PET画像の広い範囲に適応する。
  論文  参考訳（メタデータ） (2025-06-30T16:39:50Z)
• Score-based Generative Diffusion Models to Synthesize Full-dose FDG Brain PET from MRI in Epilepsy Patients [2.8588393332510913]
  てんかん患者を鑑別するためのFDG PETは,PET/MRI同時撮影における最も一般的な応用の1つである。 本稿では,MRI-PET画像変換タスクにおける拡散型および非拡散型ディープラーニングモデルの性能を比較した。
  論文  参考訳（メタデータ） (2025-06-12T20:57:02Z)
• Personalized MR-Informed Diffusion Models for 3D PET Image Reconstruction [40.722159771726375]
  本稿では,PET-MR スキャンのデータセットから対象特異的なPET画像を生成するための簡易な手法を提案する。 私たちが合成した画像は、被験者のMRスキャンからの情報を保持し、高分解能と解剖学的特徴の保持につながる。 18ドルF]FDGデータセットのシミュレーションと実データを用いて,対象特異的な「擬似PET」画像を用いたパーソナライズされた拡散モデルの事前学習により,低カウントデータによる再構成精度が向上することを示す。
  論文  参考訳（メタデータ） (2025-06-04T10:24:14Z)
• PASTA: Pathology-Aware MRI to PET Cross-Modal Translation with Diffusion Models [7.6672160690646445]
  本研究では,条件付き拡散モデルに基づく新しい画像翻訳フレームワークであるPASTAを紹介する。 サイクル交換一貫性とボリューム生成戦略は、高品質な3DPETスキャンを生成するPASTAの能力を高める。 アルツハイマー分類では、合成スキャンの性能はMRIよりも4%向上し、実際のPETの性能にほぼ達する。
  論文  参考訳（メタデータ） (2024-05-27T08:33:24Z)
• Contrastive Diffusion Model with Auxiliary Guidance for Coarse-to-Fine PET Reconstruction [62.29541106695824]
  本稿では, 粗い予測モジュール (CPM) と反復的修正モジュール (IRM) から構成される粗大なPET再構成フレームワークを提案する。 計算オーバーヘッドの大部分をCPMに委譲することで,本手法のサンプリング速度を大幅に向上させることができる。 2つの追加戦略、すなわち補助的な誘導戦略と対照的な拡散戦略が提案され、再構築プロセスに統合される。
  論文  参考訳（メタデータ） (2023-08-20T04:10:36Z)

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。