Fugu-MT 論文翻訳(概要): S2T-Unet: A Structure-to-Style Framework for Inter-Modality MRI Translation

論文の概要: S2T-Unet: A Structure-to-Style Framework for Inter-Modality MRI Translation

arxiv url: http://arxiv.org/abs/2609.36866v1
Date: Tue, 29 Sep 2026 07:06:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:47.256393
Title: S2T-Unet: A Structure-to-Style Framework for Inter-Modality MRI Translation
Title（参考訳）: S2T-Unet: モード間MRI翻訳のための構造とスタイルのフレームワーク
Abstract要約: モダリティ間MRI翻訳は、利用可能な取得から欠落したMRIモダリティを合成することを目的としている。 S2T-Unetは、モダリティ不変な構造情報を明示的にモデル化する構造からスタイルのフレームワークである。 4つの翻訳タスクにわたるIXIマルチコントラストMRIデータセットの実験は、S2T-Unetが最先端の手法に匹敵するか、性能が優れていることを示した。
参考スコア（独自算出の注目度）: 2.1804428551505506
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Inter-modality MRI translation aims to synthesize missing MRI modalities from available acquisitions, reducing the need for additional scanning while preserving clinically relevant anatomical information. However, existing image translation methods often learn intensity mappings without explicitly separating modality-invariant structural information from modality-specific appearance, which may lead to structural information loss or unrealistic image details. In this work, we propose S2T-Unet, a structure-to-style framework that explicitly models these two aspects. Specifically, vector quantization is introduced at the lower-level bottleneck to encode modality-invariant structural information using a learned discrete codebook. At higher levels, a modality transformation module uses decoder features to condition and transform encoder representations toward the target modality, thereby recovering modality-specific intensity and contrast information. Experiments on the IXI multi-contrast MRI dataset across four translation tasks demonstrate that S2T-Unet is comparable or outperform with state-of-art method.
Abstract（参考訳）: モダリティ間MRI翻訳は、利用可能な取得から欠落したMRIモダリティを合成することを目的としており、臨床的に関連する解剖学的情報を保持しながら、追加のスキャンの必要性を減らすことを目的としている。しかし、既存の画像翻訳法では、モダリティの不変な構造情報をモダリティ特有の外観から明確に分離することなく、インテンシティマッピングを学習することが多く、構造的な情報損失や非現実的な画像詳細につながる可能性がある。本研究では、これらの2つの側面を明示的にモデル化する構造からスタイルのフレームワークであるS2T-Unetを提案する。具体的には、学習された離散コードブックを用いて、モダリティ不変構造情報を符号化するために、低レベルのボトルネックでベクトル量子化を導入する。より高いレベルでは、モダリティ変換モジュールはデコーダ特徴を条件付けし、ターゲットモダリティに向けてエンコーダ表現を変換することで、モダリティ固有の強度とコントラスト情報を回復する。 4つの翻訳タスクにわたるIXIマルチコントラストMRIデータセットの実験は、S2T-Unetが最先端の手法に匹敵するか、性能が優れていることを示した。

関連論文リスト

Context-driven Missing-Modality Learning for Robust Medical Diagnosis with Image-Tabular Data [38.54068135443487]
本稿では,コンテキスト駆動型ミス・モダリティ学習フレームワークを提案する。連続的にモダリティ合成とセマンティックアライメントを行い、堅牢な診断を実現する。最先端のSOTA(State-of-the-art)法では、それぞれ1.26%、0.97%、1.32%のAVG AUCの改善を実現している。
論文参考訳（メタデータ） (2026-05-25T15:44:26Z)
Multiscale Structure-Guided Latent Diffusion for Multimodal MRI Translation [37.87507831903678]
我々はMSG-LDMと呼ばれる潜伏拡散に基づく多モードMRI翻訳フレームワークを提案する。提案手法は,信頼性の高い境界情報を保持する完全構造情報を推定する。 BraTS 2020とWMHデータセットの実験は、提案手法が既存のMRI合成手法より優れていることを示した。
論文参考訳（メタデータ） (2026-03-13T02:26:05Z)
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)
TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
論文参考訳（メタデータ） (2025-12-24T12:06:26Z)
MRNet: Multifaceted Resilient Networks for Medical Image-to-Image Translation [1.9384004397336387]
我々は,MRI-to-CTおよびMRI-to-MRI変換における最先端の手法より優れた医用画像・画像翻訳のための新しいアーキテクチャを提案する。このアーキテクチャは、強力なSAMイメージエンコーダを使用して、多様なデータセットから包括的なマルチスケール特徴を抽出し、解像度認識機能融合を実行する。
論文参考訳（メタデータ） (2024-12-04T05:23:46Z)
Cross-Modal Bidirectional Interaction Model for Referring Remote Sensing Image Segmentation [50.433911327489554]
リモートセンシング画像セグメンテーション(RRSIS)の目標は、参照式によって識別された対象オブジェクトの画素レベルマスクを生成することである。上記の課題に対処するため、クロスモーダル双方向相互作用モデル(CroBIM)と呼ばれる新しいRRSISフレームワークが提案されている。 RRSISの研究をさらに推し進めるために、52,472個の画像言語ラベル三重項からなる新しい大規模ベンチマークデータセットRISBenchを構築した。
論文参考訳（メタデータ） (2024-10-11T08:28:04Z)
MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文参考訳（メタデータ） (2024-05-28T00:36:25Z)
I2I-Mamba: Multi-modal medical image synthesis via selective state space modeling [6.850638594814939]
マルチモーダル医用画像合成は、ソースとターゲットモダリティ間の組織信号の非線形変換を含む。合成におけるコンテキストネットワークアーキテクチャの有用性は、医療画像におけるコンテキストの特徴の広いセットを表現する能力に依存する。状態空間モデリング(SSM)フレームワークに基づく新しいマルチモーダル合成手法I2I-Mambaを提案する。
論文参考訳（メタデータ） (2024-05-22T21:55:58Z)
MindDiffuser: Controlled Image Reconstruction from Human Brain Activity with Semantic and Structural Diffusion [7.597218661195779]
我々はMindDiffuserと呼ばれる2段階の画像再構成モデルを提案する。ステージ1では、VQ-VAE潜在表現とfMRIからデコードされたCLIPテキスト埋め込みが安定拡散される。ステージ2では、fMRIからデコードされたCLIP視覚特徴を監視情報として利用し、バックパゲーションによりステージ1でデコードされた2つの特徴ベクトルを継続的に調整し、構造情報を整列させる。
論文参考訳（メタデータ） (2023-08-08T13:28:34Z)
Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文参考訳（メタデータ） (2022-03-26T01:42:59Z)

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。