論文の概要: CATCH: Counterfactual Anatomical Tissue Inpainting with Conditional Haar Diffusion
- arxiv url: http://arxiv.org/abs/2609.29591v1
- Date: Tue, 01 Sep 2026 12:51:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:56.081359
- Title: CATCH: Counterfactual Anatomical Tissue Inpainting with Conditional Haar Diffusion
- Title（参考訳）: CATCH : 条件付きハール拡散をともなう非現実的解剖組織塗布
- Abstract要約: BraTS局所合成は、T1強調脳MRIのマスク領域を可塑性腫瘍のない組織に置き換える。
逆ハールウェーブレット領域における条件付き3次元拡散であるCATCHを提案する。
固定マスク,腫瘍成分増強,腫瘍由来,不規則ブロックおよび楕円体マスクの重み付け混合物の比較を行った。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: BraTS local synthesis replaces masked regions in T1-weighted brain MRI with plausible tumor-free tissue while preserving observed anatomy. We present CATCH, conditional 3D diffusion in an invertible Haar-wavelet domain. Its denoiser receives noisy target coefficients, voided-image coefficients, and a signed mask; tumor-excluded wavelet reconstruction and a hole-focused loss guide training, and hard compositing preserves observed voxels. We compare fixed masks, tumor-component augmentation, and a weighted mixture of tumor-derived, irregular-blob, and ellipsoidal masks. Of 25 development cases, five prespecified cases select each arm's checkpoint and all 25 of their trajectory aggregations; a separate 75-case internal set compares the frozen pipelines and selects a weighted mixture for organizer evaluation. Five-trajectory averaging yielded internal SSIM/PSNR/MSE (mean$\pm$SD) of $0.80\pm0.13$, $19.18\pm1.80$dB, and $0.010\pm0.005$. As the sole officially evaluated pipeline, weighted mixture yielded $0.772\pm0.119$, $20.89\pm3.27$dB, and $0.0098\pm0.0054$ on the 219-case BraTS 2026 validation set. Against compute-matched random augmentation internally, it improved SSIM by 0.019 (95% bootstrap CI: 0.013-0.025), PSNR by 0.95dB, and MSE by 0.003; all three paired comparisons remained significant after Holm correction. Results favor the complete weighted-mixture policy within CATCH; absent official fixed- and random-pipeline scores and a directly comparable external baseline limit broader conclusions.
- Abstract（参考訳）: BraTS局所合成は、観察された解剖を保ちながら、T1強調脳MRIのマスク領域を可塑性腫瘍のない組織に置き換える。
逆ハールウェーブレット領域における条件付き3次元拡散であるCATCHを提案する。
ノイズの多い目標係数、無効画像係数、サインマスク、腫瘍除去ウェーブレット再構成、ホール中心の損失ガイドトレーニング、ハードコンポジションは観察されたボクセルを保存する。
固定マスク,腫瘍成分増強,腫瘍由来,不規則ブロックおよび楕円体マスクの重み付け混合物の比較を行った。
開発25例のうち、5例は各アームのチェックポイントを選択し、25件のトラジェクトリーアグリゲーションをそれぞれ選択し、75ケースの内セットは凍結パイプラインと比較し、オーガナイザ評価のための重み付き混合物を選択する。
5軌道平均化は内部SSIM/PSNR/MSE (mean$\pm$SD) を$0.80\pm0.13$、$19.18\pm1.80$dB、$0.010\pm0.005$とした。
唯一公式に評価されたパイプラインとして、加重混合物は219ケースのBraTS 2026の検証セットで0.772\pm0.119$、20.89\pm3.27$dB、0.0098\pm0.0054$を得た。
計算にマッチしたランダムな拡張に対して、SSIMは0.019(95%ブートストラップCI:0.013-0.025)、PSNRは0.95dB、MSEは0.003)の改善を行った。
結果は、CATCH内での完全な重み付き混合ポリシー、公式な固定およびランダムなピペリンスコアの欠如、および直接的に比較可能な外部ベースライン制限の広範な結論である。
関連論文リスト
- Beyond Accuracy: Quantifying Pulmonary Attribution in Anatomy-Guided Chest X-Ray Classification Under Domain Shift [0.6213771671016098]
深層学習モデルは、肺画像の内容に依存するかどうかを判断することなく、強い胸部X線分類性能を達成することができる。
本研究は,肺アトリビューションの含有量について,診断成績と異なる解剖学的関連信頼性特性として評価した。
論文 参考訳（メタデータ） (2026-08-31T08:54:44Z) - Now You Have My Healthy Attention: A U-DiT for Brain-MRI Inpainting [8.544231829756123]
塗装作業は、T1強調MRIのマスク領域内の健康な脳組織の解剖学的に妥当な完成を要求される。
決定論的回帰モデルを構築し、インペイントに適した帰納的バイアスを与えることに重点を置いています。
歪み-最適回帰に固有の残留な滑らかさを論じ、解剖学的リアリズムにその意味を論じる。
論文 参考訳（メタデータ） (2026-07-30T10:20:01Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。
2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
論文 参考訳（メタデータ） (2026-03-17T23:49:46Z) - 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) - A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
神経変性疾患では、PVS(perivascular space)の増大が一般的である。
現在不足している信頼性の高いPVS検出方法が必要である。
論文 参考訳（メタデータ） (2024-11-29T09:19:57Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Fibroglandular Tissue Segmentation in Breast MRI using Vision
Transformers -- A multi-institutional evaluation [0.06499822663743766]
乳房分割のためのトランスフォーマーベースニューラルネットワーク(TraBS)を開発し,その性能をよく確立された畳み込みネットワークnnUNetと比較した。
TraBSとnnUNetは、経験豊富なヒト読者が作成した手動セグメンテーションを用いて、200の内臓および40の乳房MRI検査で訓練された。
本研究は, NNUNetなどのトランスフォーマーモデルと比較して, 神経回路が線維粒組織セグメンテーションの質を向上させることを示した。
論文 参考訳（メタデータ） (2023-04-18T13:12:35Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。