Fugu-MT 論文翻訳(概要): Multitask Conditional Generative Adversarial Network Enables Automatic Whole Knee Cartilage and Menisci Segmentation and Reliable $T_{1ρ}$ and $T_2$ Quantification Without High-Resolution Morphological Images

論文の概要: Multitask Conditional Generative Adversarial Network Enables Automatic Whole Knee Cartilage and Menisci Segmentation and Reliable $T_{1ρ}$ and $T_2$ Quantification Without High-Resolution Morphological Images

arxiv url: http://arxiv.org/abs/2610.06602v2
Date: Tue, 06 Oct 2026 11:58:45 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 02:58:29.432842
Title: Multitask Conditional Generative Adversarial Network Enables Automatic Whole Knee Cartilage and Menisci Segmentation and Reliable $T_{1ρ}$ and $T_2$ Quantification Without High-Resolution Morphological Images
Title（参考訳）: マルチタスク・コンディショナル・ジェネレーション・アダクティブ・アダクティブ・アダクティブ・アダクティブ・ネットワークによる全膝軟骨とメニスシ・セグメンテーションと高分解能形態像のない信頼性$T_{1ρ}$および$T_2$量子化の実現
Abstract要約: 定量的MRI(qMRI)による早期変形性関節症の検出には,正確な軟骨と半月板分割が必要である。本研究は,qMRIエコー画像から直接DESSライクな画像とセグメント組織を同時に合成する条件付き生成対向ネットワーク(MT-cGAN)を開発した。
参考スコア（独自算出の注目度）: 3.9155807344747697
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Early osteoarthritis detection through quantitative MRI (qMRI) requires accurate cartilage and meniscus segmentation, traditionally necessitating time-consuming, costly 3D high-resolution Double Echo Steady-State (DESS) MRI scans. This study developed a multi-task conditional generative adversarial network (MT-cGAN) to simultaneously synthesize DESS-like images and segment tissues directly from qMRI echo images. This retrospective study evaluated 508 knee MRI volumes from 361 subjects (mean age: $40.4 \pm 12.2$ years; 179 female) across three cohorts. Ground truth segmentation masks were generated from DESS images using a pretrained model with manual correction, and $T_{1ρ}$ and $T_2$ maps were computed from magnetization-prepared angle-modulated partitioned $k$-space spoiled gradient echo snapshots (MAPSS) echo images. MT-cGAN was trained to jointly synthesize DESS-like images and segment cartilage and meniscus directly from echo images. Model performance was evaluated using Dice score for segmentation accuracy and coefficient of variation (CV) for $T_{1ρ}$ and $T_2$ quantification. MT-cGAN achieved the highest segmentation performance, mean Dice score 0.84 (range: 0.80--0.86) across all cartilage and meniscus compartments and significantly outperformed the state-of-the-art conditional GAN model with transfer learning (mean Dice, 0.82; $p < 0.001$, Wilcoxon signed-rank test). For relaxometry quantification, MT-cGAN demonstrated the highest consistency with the reference DESS protocol, yielding the lowest CV ($T_{1ρ}$: 1.84%, $T_2$: 1.81%). The proposed MT-cGAN accurately segmented cartilage and menisci while providing reliable $T_{1ρ}$ and $T_2$ quantification directly from echo images. By eliminating the need for separate morphological DESS scans, this workflow reduces required scan times to facilitate the clinical translation of qMRI.
Abstract（参考訳）: 定量的MRI(qMRI)による早期変形性関節症の検出には、正確に軟骨と半月板の分画が必要であり、伝統的に3D高解像度のDouble Echo Steady-State (DESS) MRIスキャンを必要とする。本研究では,qMRIエコー画像から直接DESSライクな画像とセグメント組織を同時合成するマルチタスク条件生成対向ネットワーク(MT-cGAN)を開発した。この回顧調査は、361名の被験者(平均年齢:40.4 \pm 12.2$ years; 179女)から3頭のコホートにまたがる508個の膝MRIボリュームを評価した。手動補正を施した事前訓練モデルを用いてDESS画像から地中真実セグメンテーションマスクを生成し,磁化調整した角変調分割$k$-spaceスポレートエコースナップショット(MAPSS)エコー画像から,$T_{1ρ}$および$T_2$マップを算出した。 MT-cGANは、エコー画像から直接DESSライクな画像、軟骨、半月板を共同で合成するように訓練された。セグメンテーション精度と変動係数(CV)を$T_{1ρ}$と$T_2$量子化で評価した。 MT-cGAN は、Dice スコア 0.84 (範囲: 0.80--0.86) を全ての軟骨と半月板の区画で達成し、トランスファーラーニングによる最先端条件付き GAN モデル (平均 Dice, 0.82; $p < 0.001$, Wilcoxon sign-rank test) を著しく上回った。緩和量の定量化では、MT-cGANは参照DESSプロトコルと最も高い一貫性を示し、最も低いCV(T_{1ρ}$:1.84%、$T_2$:1.81%)を得た。提案したMT-cGANは、エコー画像から直接信頼性の高い$T_{1ρ}$と$T_2$の定量化を提供しながら、軟骨と半月を正確に区分けした。形態学的DESSスキャンの分離の必要性を排除することにより、このワークフローはqMRIの臨床的翻訳を容易にするために必要なスキャン時間を短縮する。

関連論文リスト

GANeXt: A Fully ConvNeXt-Enhanced Generative Adversarial Network for MRI- and CBCT-to-CT Synthesis [4.966806084618106]
我々は3Dパッチベースの完全ConvNeXtによるCT合成のための生成対向ネットワークであるGANeXtを提案する。特に、GANeXtは、3D ConvNeXtブロックとコンパクトカーネルを積み重ねた効率的なU字型ジェネレータを使用している。合成品質を向上させるため、平均絶対誤差(MAE)、知覚的損失、セグメンテーションに基づくマスクMAE、対向的損失を含む損失関数の組み合わせを組み込んだ。
論文参考訳（メタデータ） (2025-12-22T12:32:16Z)
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)
Comparative Analysis of GAN and Diffusion for MRI-to-CT translation [0.7668561705871794]
MRIからCTへの変換によく使われる2つのアーキテクチャの性能を比較した。古典的な3次元翻訳問題を横面上の2次元翻訳列に分割する。また、生成過程の条件付けが1つのMRI画像/スライスおよび複数のMRIスライスに与える影響についても検討した。
論文参考訳（メタデータ） (2025-09-26T08:33:34Z)
EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
論文参考訳（メタデータ） (2025-09-26T05:51:59Z)
TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文参考訳（メタデータ） (2023-08-24T15:32:27Z)
Exploring contrast generalisation in deep learning-based brain MRI-to-CT synthesis [0.0]
MRIプロトコルは、経時的に変化するか、または低品質のsCTをもたらすセンターによって異なる可能性がある。ドメインランダム化(DR)は、脳sCT生成のためのDLモデルの一般化を増大させる。
論文参考訳（メタデータ） (2023-03-17T18:45:05Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文参考訳（メタデータ） (2022-04-11T17:29:36Z)
Unpaired cross-modality educed distillation (CMEDL) applied to CT lung tumor segmentation [4.409836695738518]
我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
論文参考訳（メタデータ） (2021-07-16T15:58:15Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。