論文の概要: Forecasting Intrathecal Tracer Enhancement from Pre-Contrast Brain MRI: Direct Regression versus Flow Matching

• arxiv url: http://arxiv.org/abs/2609.22377v1
• Date: Thu, 17 Sep 2026 20:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.362306
• Title: Forecasting Intrathecal Tracer Enhancement from Pre-Contrast Brain MRI: Direct Regression versus Flow Matching
• Title（参考訳）: コントラスト前脳MRIにおける局所トレーサーの予測 : 直接回帰とフローマッチング
• Abstract要約: 頭蓋内造影MRIは、脳脊髄液トレーサーが脳にどのように広がるかを追跡します。 コントラスト前スキャンによる予測増強は、いつの日か腸内薬物治療の患者を選別し、服用を計画するのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 1.3366092185827743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrathecal contrast-enhanced MRI tracks how a cerebrospinal-fluid tracer spreads through the brain, but requires repeated scans over 24--48\,h. Forecasting enhancement from a pre-contrast scan could one day help select patients for intrathecal drug treatment and plan their dose. We ask how much of the enhancement at a given time can be predicted from the pre-contrast scan and the elapsed time alone. Training on 104 patients, we compared direct image-to-image regression (I2I) with conditional flow matching (CFM) using the same 3D U-Net and protocol, and tested on 23 held-out patients and 51 external patients with normal pressure hydrocephalus. All models were measured against simply copying the pre-contrast scan. I2I removed about 60\% of this copying error internally and 25\% externally, outperformed CFM on both test sets (mean absolute error 0.036 vs.\ 0.058 and 0.056 vs.\ 0.063), and predicted each volume in a single forward pass, whereas CFM ran its network ten times. CFM uncertainty located errors but was poorly calibrated. Much of tracer enhancement is thus predictable from anatomy and timing, and direct regression is the more accurate and cheaper choice at this data scale.
• Abstract（参考訳）: 頭蓋内造影MRIは、脳脊髄液トレーサーが脳にどのように広がるかを追跡するが、24-48\,hで繰り返しスキャンする必要がある。 コントラスト前スキャンによる予測増強は、いつの日か腸内薬物治療の患者を選別し、服用を計画するのに役立つかもしれない。 コントラスト前スキャンと経過時間だけで、与えられた時間における拡張のどれ程を予測できるかを問う。 同じ3次元U-Netとプロトコルを用いて,104例のイメージ・ツー・イメージ・レグレッション(I2I)と条件付きフローマッチング(CFM)を比較した。 全てのモデルは、コントラスト前のスキャンを単純にコピーすることに対して測定された。 I2Iは、このコピーエラーの約60\%を内部で、25\%を外部で取り除き、両テストセット(絶対誤差0.036対0。 0.058, 0.056 vs。 CFMはそのネットワークを10回実行しているのに対し、各ボリュームは1回の前方通過で予測した。 CFMの不確実性は検出されたが、校正は不十分であった。 したがって、トレーサの強化の多くは、解剖学とタイミングから予測可能であり、直接回帰は、このデータスケールでより正確で安価な選択である。

関連論文リスト

• Subtraction-Based Tumor Segmentation and Lesion-Centered pCR Prediction for the MAMA-MIA Challenge [0.0]
  我々は,MAMA-MIAチャレンジへのチームFMEの提出について述べる。 原発性腫瘍の分節と病理学的完全反応の予測について検討した。 FMEは両部門で2位となった。
  論文  参考訳（メタデータ） (2026-08-29T09:23:45Z)
• Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
  造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。 非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:55:57Z)
• MOZART: Ensembling Approach for COVID-19 Detection using Chest X-Ray Imagery [0.0]
  新型コロナウイルス(COVID-19)が世界的なパンデミックを引き起こし、医療システムに悪影響を及ぼした。 従来の畳み込みニューラルネットワーク(CNN)は印象的な精度を実現している。 ウイルス検出を強化するアンサンブル学習手法であるMOZARTフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-10-11T21:02:58Z)
• 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)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• COVID-19 Prognosis via Self-Supervised Representation Learning and Multi-Image Prediction [32.91440827855392]
  胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。 新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。 本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
  論文  参考訳（メタデータ） (2021-01-13T07:03:17Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• Handling Missing MRI Input Data in Deep Learning Segmentation of Brain Metastases: A Multi-Center Study [1.4463443378902883]
  深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。 セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。 DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
  論文  参考訳（メタデータ） (2019-12-27T02:49:45Z)

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。