論文の概要: A Dual-Stream Regulated Reconstruction and Segmentation Network with Hierarchical Artifact-Prior Modeling for Ultra-Low-Field Pediatric Neuroimaging

• arxiv url: http://arxiv.org/abs/2609.20562v1
• Date: Thu, 17 Sep 2026 15:26:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.3497
• Title: A Dual-Stream Regulated Reconstruction and Segmentation Network with Hierarchical Artifact-Prior Modeling for Ultra-Low-Field Pediatric Neuroimaging
• Title（参考訳）: 超低視野小児神経イメージングのための階層的アーチファクト・プライア・モデリングを用いたデュアルストリーム再構成とセグメンテーションネットワーク
• Abstract要約: 1つの推論パイプライン内で3つのタスクをまとめて実行するLISA 2026 Challengeの統一フレームワークを提案する。 3次元U-Net上に構築された2つのストリームを持つネットワークは、まず拡張されたULFボリュームを再構成し、その後、原画像と拡張画像を組み合わせて皮質下セグメンテーションを行う。 アーティファクトグラフに条件付きヘッドは、復元残差と凍結セグメンテーション特徴から7つのアーティファクト評価を予測する。
• 参考スコア（独自算出の注目度）: 2.4735298987648195
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Automated quality assessment, enhancement, and segmentation of multiple structures in $0.064\,\mathrm{T}$ ultra-low-field pediatric MRI are limited by a low signal-to-noise ratio, weak anatomical boundaries, and frequent artifacts. We present a unified framework for the LISA 2026 Challenge that performs all three tasks together within one inference pipeline. A network with two coupled streams, built on a 3D U-Net, first reconstructs an enhanced uLF volume and then combines the original and enhanced images for subcortical segmentation. To improve boundary stability, we add an auxiliary class covering brain tissue outside the target structures, derived from whole brain masks. A head conditioned on an artifact graph predicts the seven artifact ratings from reconstruction residuals and frozen segmentation features. We address the scarcity of dense annotations using diffeomorphic registration from atlas to target for label propagation and to regularize anatomical reconstruction. We report validation results across all three tasks.
• Abstract（参考訳）: 0.064\,\mathrm{T}$ Ultra-low-field pediatric MRIにおける複数の構造の自動評価,拡張,セグメント化は,低信号-雑音比,弱い解剖学的境界,頻繁な人工物によって制限される。 1つの推論パイプライン内で3つのタスクをまとめて実行するLISA 2026 Challengeの統一フレームワークを提案する。 3次元U-Net上に構築された2つの結合ストリームを持つネットワークは、まず拡張されたULFボリュームを再構成し、その後、原画像と拡張画像を組み合わせて皮質下セグメンテーションを行う。 境界安定性を向上させるため,脳マスク全体から派生した脳組織を対象構造物の外側に被覆する補助クラスを付加した。 アーティファクトグラフに条件付きヘッドは、復元残差と凍結セグメンテーション特徴から7つのアーティファクト評価を予測する。 著者らは,アトラスからラベルの伝播を目標とし,解剖学的再構成を規則化するために,高濃度アノテーションの希少性について検討した。 3つのタスクの検証結果を報告する。

関連論文リスト

• VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis [33.836541706312055]
  高忠実度3D MRI合成には、大域的なコヒーレントな解剖学と微細なボクセルレベルの詳細が必要である。 フル解像度MRIボリュームを直接モデル化するボクセル空間フローマッチングフレームワークであるVoxStruct3Dを提案する。 病理学的および健康的なT1強調脳MRIデータセットの実験では、VoxStruct3Dが全体的なパフォーマンスが最も高いことが示されている。
  論文  参考訳（メタデータ） (2026-08-05T07:51:35Z)
• AuricularWorld: Hierarchical Action-Guided World Modeling for Fine-Grained Auricular Structure Segmentation from CT Scans [4.139833999494916]
  本稿では,反復的解剖学的推論を可能にする世界モデルに基づくセグメンテーションフレームワークを提案する。 提案手法は連続的にセグメンテーション精度を向上し,HD95を小さく,不規則かつ重なり合う耳介構造に対して43%以上削減することを示した。
  論文  参考訳（メタデータ） (2026-07-30T16:38:30Z)
• Brain MR Image Synthesis with Multi-contrast Self-attention GAN [0.2291770711277359]
  3D-MC-SAGANは3Dマルチコントラスト合成フレームワークである。 腫瘍特性を保ちながら、1つのT2入力から高忠実度欠落モードを生成する。 最先端の定量的性能を達成し、視覚的にコヒーレントで解剖学的に妥当なコントラストを生成する。
  論文  参考訳（メタデータ） (2026-03-31T13:43:53Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Unsupervised Discovery of 3D Hierarchical Structure with Generative Diffusion Features [22.657405088126012]
  拡散モデルの特徴は3次元バイオメディカル画像において異なる階層レベルを捉えている。 我々は3次元ボリュームを意味のあるネストされたサブボリュームに分解することを奨励する予測的教師なしセグメンテーションネットワークを訓練する。 われわれのモデルは、既存の教師なし構造発見手法よりも、難解な合成データセットや現実世界の脳腫瘍MRIデータセットよりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2023-04-28T19:37:17Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Identity Enhanced Residual Image Denoising [61.75610647978973]
  我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。 提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
  論文  参考訳（メタデータ） (2020-04-26T04:52:22Z)

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。