論文の概要: When Misalignment Becomes Supervision: Structured Label Noise in Supervised Synthetic CT Generation

• arxiv url: http://arxiv.org/abs/2609.29387v1
• Date: Thu, 24 Sep 2026 11:12:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.863172
• Title: When Misalignment Becomes Supervision: Structured Label Noise in Supervised Synthetic CT Generation
• Title（参考訳）: 再構成がスーパービジョンとなるとき: 教師付き合成CT生成における構造ラベルノイズ
• Abstract要約: SCT(Supervised Synthetic CT)生成は、一般的に、登録された基準CT画像に対して、ボクセルワイドレグレッションとして訓練され評価される。 実際には、MRI-CT と CBCT-CT のペアは、残像の不一致を残す登録手順によって整列される。 当科における1,784例のMRI-to-CTとCBCT-to-CTの併用効果について検討した。
• 参考スコア（独自算出の注目度）: 1.1707781456806168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised synthetic CT (sCT) generation is commonly trained and evaluated as voxel-wise regression against registered reference CT images. In practice, MRI-CT and CBCT-CT pairs are aligned through registration procedures that leave residual misalignments. These residuals are not independent intensity noise but spatially coherent geometric discrepancies that act as structured label noise. We investigate how this registration-induced bias affects supervised MRI-to-CT and CBCT-to-CT synthesis on 1,784 paired patients covering five anatomical regions. Voxel-wise scores strongly depend on the consistency between the registration used to build the training targets and the one used for evaluation: models score best when both conventions match, showing that networks partly learn the geometric convention of the registration pipeline and that standard metrics reward it. Training on more anatomically consistent registrations reduces prediction variability and improves out-of-distribution robustness, and CT-only controls show that registration alone produces metric errors in the range of top challenge submissions. To mitigate the limits of voxel-wise supervision, we introduce a perceptual loss computed in the feature space of a pretrained Segment Anything encoder. Compared with MAE-only and VGG-based objectives, it improves downstream segmentation and yields sharper, more structurally coherent sCT. Perceptual and voxel-wise metrics disagree under imperfect alignment and agree when the evaluation geometry is reliable. These results identify registration-induced bias as a central confounder in supervised sCT generation and argue for complementing voxel-wise agreement with anatomy-oriented evaluation criteria.
• Abstract（参考訳）: SCT(Supervised Synthetic CT)生成は、一般的に、登録された基準CT画像に対して、ボクセルワイドレグレッションとして訓練され、評価される。 実際には、MRI-CT と CBCT-CT のペアは、残像の不一致を残す登録手順によって整列される。 これらの残留物は独立した強度ノイズではなく、構造付きラベルノイズとして機能する空間的コヒーレントな幾何学的差異である。 5つの解剖学的領域をカバーする1,784例のMRI-to-CTとCBCT-to-CTの合成に,この登録によるバイアスがどのような影響を及ぼすかを検討した。 Voxel-wiseのスコアは、トレーニングターゲットを構築するために使用される登録と評価のために使用される登録の一貫性に強く依存する。 より解剖学的に一貫性のある登録のトレーニングは、予測のばらつきを減らし、分布外ロバスト性を改善する。 ボクセル管理の限界を緩和するため,事前訓練されたセグメンツイシングエンコーダの特徴空間で計算された知覚損失を導入する。 MAEのみの目的やVGGベースの目的と比較して、下流のセグメンテーションを改善し、より鋭く、より構造的に整合したsCTが得られる。 知覚的およびボクセル的メトリクスは、不完全なアライメントの下では一致せず、評価幾何が信頼できるかは一致しない。 これらの結果は, 登録による偏見を, 教師付きsCT生成における中心的共同創設者として同定し, 解剖学的評価基準とのボクセル的合意を補完するものであると主張した。

関連論文リスト

• Modeling Clinical Workflow for SYNTAX Scoring from Coronary Angiography Videos [73.50200033931148]
  我々はSynTAXスコアを血管セグメントのアイデンティティ保存解剖学的推論問題として再構成する。 本手法は, 骨・骨・骨・骨・骨の骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨・骨
  論文  参考訳（メタデータ） (2026-09-20T11:08:19Z)
• ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding [47.35612571473169]
  EEGビジュアルデコーディングは、非侵襲的な神経時系列信号から視覚的セマンティクスを回復することを目的としている。 既存の手法は固定された視覚的あるいはテキスト的アンカーに依存しており、その意味的関係は、試行錯誤、主題、学習段階によって異なる脳波表現と一致している可能性がある。 本稿では,適応型ニューラル・セマンティックアライメントのための統一的でモデルに依存しないフレームワークであるProgressive Contrastive Alignment(ProCA)を提案する。
  論文  参考訳（メタデータ） (2026-09-04T12:48:25Z)
• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• Fine-Grained Vision-Language Pretraining with Organ-Conditioned Pattern Tokens for CT Understanding [2.9220076568786335]
  OCP-CTは、CTビジョン言語事前学習のための臓器条件付きパターントキンアライメントフレームワークである。 安定したグローバルCTレポートのコントラストブランチを保持し、臓器パターンインターフェースを導入している。 公開されているCT-RATEとRAD-ChestCTのベンチマークでは、OCP-CTは平均84.5%と69.9%のAUROCをゼロショット異常診断で達成している。
  論文  参考訳（メタデータ） (2026-07-15T14:36:43Z)
• CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation [42.85377247586073]
  我々は,CT劣化検出と重度推定のためのデータセットとベンチマークであるCT-DegradBenchを提案する。 本稿では,医用視覚言語モデルのセマンティック先行と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークであるSeSpeCTを提案する。
  論文  参考訳（メタデータ） (2026-05-14T19:30:00Z)
• CT-FineBench: A Diagnostic Fidelity Benchmark for Fine-Grained Evaluation of CT Report Generation [51.11942945171396]
  従来の評価指標は、語彙重なり合いやエンティティマッチングの粗い尺度のみを提供する。 我々はCT-RATEとMerlinのベンチマークであるCT-FineBenchを提案し、CTレポートの微細な事実整合性を評価する。 我々のベンチマークは、綿密な質問回答(QA)ベースのプロセスによって構築されます。
  論文  参考訳（メタデータ） (2026-04-27T03:32:46Z)
• Clinically-aligned ischemic stroke segmentation and ASPECTS scoring on NCCT imaging using a slice-gated loss on foundation representations [3.186130813218338]
  ほとんどのディープラーニング手法は、ASPECTSスコアの基盤となる構造的解剖学的推論をモデル化することなく、ピクセルワイズセグメンテーションを行う。 本稿では,凍結したDINOv3バックボーンと軽量デコーダを組み合わせた臨床的に整合したフレームワークを提案する。 提案手法は,AISDにおけるDiceスコア0.6385を達成し,CNNや基礎モデルベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-02-27T12:12:24Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Eliminating Registration Bias in Synthetic CT Generation: A Physics-Based Simulation Framework [0.8699280339422538]
  CBCTからの改良された合成生成には、登録されたトレーニングペアが必要であるが、取得したスキャン間での完全な登録は、依然として不可能である。 この登録バイアスは、トレーニングされたモデルに伝播し、標準評価指標を破損させる。 物理に基づくCBCTシミュレーションを提案し、幾何学的に整列したトレーニングペアを構築により提供する。
  論文  参考訳（メタデータ） (2026-02-02T14:14:47Z)
• Why Registration Quality Matters: Enhancing sCT Synthesis with IMPACT-Based Registration [1.2560645967579729]
  我々のモデルは、ResNet-34エンコーダを備えた2.5D U-Net++であり、解剖学的領域間で共同で訓練され、各領域ごとに微調整されている。 ローカルテストセットでは、IMPACTベースの登録は相互情報ベースの登録よりも正確で解剖学的に整合性がある。
  論文  参考訳（メタデータ） (2025-10-24T11:40:21Z)
• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)

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。