論文の概要: Lesion-Gated Hybrid Synthesis for Virtual Contrast-Enhanced Breast MRI: A MAMA-SYNTH Challenge Solution
- arxiv url: http://arxiv.org/abs/2609.22397v1
- Date: Fri, 18 Sep 2026 09:53:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.366726
- Title: Lesion-Gated Hybrid Synthesis for Virtual Contrast-Enhanced Breast MRI: A MAMA-SYNTH Challenge Solution
- Title（参考訳）: 仮想コントラスト強調乳房MRIのための病変誘導ハイブリッド合成 : MAMA-SYNTHチャレンジソリューション
- Abstract要約: そこで我々は, 病変対応ハイブリッド合成パイプラインを開発した。
推論は1つのコントラスト前の2Dスライスを消費し、マスクがなく、コントラスト後のイメージがなく、画像幾何学以外の補助メタデータもない。
- 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: Purpose: Contrast-enhanced breast MRI depends on intravenous gadolinium-based contrast agents, motivating methods that synthesise post-contrast appearance from pre-contrast images alone. The MAMA-SYNTH Challenge (MICCAI 2026 Deep-Breath Workshop) evaluates such synthesis across four metric groups: image fidelity, tumour region of interest, downstream classification, and downstream segmentation. The four group ranks are averaged, so optimising a single objective is insufficient. Materials and Methods: We developed a lesion-gated hybrid synthesis pipeline. A lesion probability map, estimated from the pre-contrast slice alone by an ensemble of pre-contrast-only segmentation networks, spatially coordinates a tumour-focused regression pathway and a background-focused Pix2PixHD synthesis pathway, followed by a region-dependent calibration of the predicted enhancement. Training used the public MAMA-MIA collection with a patient-level split. Inference consumes a single pre-contrast 2D slice, with no mask, no post-contrast image, and no auxiliary metadata beyond image geometry. Results: On internal validation (n = 120 patients) the method reached MSE 0.523, LPIPS 0.185, and tumour-region SSIM 0.495. It was submitted to the hidden external 300-case test cohort as a self-contained inference container. The method ranked sixth in the official MAMA-SYNTH Challenge leaderboard. Conclusion: A test-compatible lesion probability map derived from the pre-contrast image can coordinate complementary tumour-focused regression and background-focused perceptual synthesis, enabling balanced virtual contrast enhancement under a multi-metric challenge setting.
- Abstract（参考訳）: 目的: コントラスト強調乳房MRIはガドリニウムをベースとした造影剤に依存し, コントラスト前の画像のみからコントラスト後の外観を合成する動機付け法である。
MAMA-SYNTH Challenge (MICCAI 2026 Deep-Breath Workshop) は、画像の忠実度、興味の腫瘍領域、下流分類、下流セグメンテーションの4つのメートル法群にまたがる合成を評価する。
4つのランクが平均化されているため、1つの目標の最適化は不十分である。
材料と方法: 病変に有意なハイブリッド合成パイプラインを開発した。
コントラスト前のセグメンテーションネットワークのアンサンブルにより、コントラスト前のスライスから推定される病変確率マップは、腫瘍中心の回帰経路と背景中心のPix2PixHD合成経路を空間的に座標し、続いて予測された拡張の領域依存キャリブレーションを行う。
トレーニングでは、患者レベルを分割したパブリックMAMA-MIAコレクションを使用した。
推論は1つのコントラスト前の2Dスライスを消費し、マスクがなく、コントラスト後のイメージがなく、画像幾何学以外の補助メタデータもない。
結果: MSE 0.523,LPIPS 0.185,SSIM 0.495。
自己完結型推論コンテナとして、秘密の外部300ケーステストコホートに送信された。
公式のMAMA-SYNTHチャレンジリーダーボードでは6位にランクインした。
結語: コントラスト画像から得られた検査適合性病変の確率マップは, 相補的腫瘍中心の回帰と背景中心の知覚合成を調整し, マルチメトリックチャレンジ設定下での仮想コントラストのバランス強化を可能にする。
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) - Dense Temporal Contrast Synthesis via Conditioned Latent Transport [28.227068680720194]
乳がん治療にはダイナミックコントラスト強調画像(DCE-MRI)が不可欠であるが,ガドリニウム系造影剤(GBCAs)に依存している。
コントラスト合成は非侵襲的な代替手段を提供するが、既存のアプローチは空間的リアリズムと時間的連続性のバランスをとるのに苦労している。
コントラスト向上を予測できる新しい条件付き潜伏輸送フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-31T13:12:58Z) - Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。
ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。
ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
論文 参考訳（メタデータ） (2026-05-29T02:48:23Z) - AortaDiff: A Unified Multitask Diffusion Framework For Contrast-Free AAA Imaging [7.769952833857425]
非コントラストCTスキャンから合成CECT画像を生成する統合ディープラーニングフレームワークを提案する。
本研究では,条件拡散モデル(CDM)とマルチタスク学習を統合し,画像合成と解剖学的セグメンテーションのエンドツーエンド共同最適化を実現する。
論文 参考訳（メタデータ） (2025-10-01T22:19:27Z) - Comparing Conditional Diffusion Models for Synthesizing Contrast-Enhanced Breast MRI from Pre-Contrast Images [31.354231459573356]
乳がんの診断と治療にはDCE(Dynamic contrast-enhanced)MRIが不可欠である。
しかし、コントラストエージェントへの依存は、安全性の懸念、禁忌、コストの増大、ワークフローの複雑さをもたらす。
DCE-MRIを合成するために,事前コントラスト条件付き拡散確率モデルを提案する。
論文 参考訳（メタデータ） (2025-08-19T12:24:55Z) - Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-03-06T08:35:29Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z)
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。