論文の概要: Abdominal Ultrasound Simulation from Semantic Labels using Paired Label-to-Physics-Based Image Translation

• arxiv url: http://arxiv.org/abs/2610.08849v1
• Date: Fri, 02 Oct 2026 16:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.514639
• Title: Abdominal Ultrasound Simulation from Semantic Labels using Paired Label-to-Physics-Based Image Translation
• Title（参考訳）: Paired Label-to-Physics-based Image translation を用いたセマンティックラベルからの腹部超音波シミュレーション
• Abstract要約: 現在の腹部超音波(US)シミュレーション法は、しばしばX線撮影にCTベースの解剖学的基準を必要とする。 セマンティックラベルからCTスキャンから得られる物理画像を予測するための学習ベースパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 0.16650235488357115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Current abdominal ultrasound (US) simulation methods often require CT-based anatomical references for ray-casting, limiting deformation and pathology variability. We propose a learning-based pipeline trained to predict physics-based images derived from CT scans from semantic labels, enabling controlled simulations without patient-specific CT volumes at inference time. Methods: We introduce a two-stage pipeline that maps anatomical segmentations to realistic US images through a simplified US image. Stage~I synthesizes this image from semantic labels using models trained on CT-based ray-casting outputs. Stage~II refines it into a realistic US scan using anatomically guided unpaired translation. Deformations and pathologies are generated by editing anatomical maps. Results: We evaluated Pix2Pix and the Semantic Diffusion Model (SDM) in Stage~I, followed by segmentation-guided CycleGAN (SG-CycleGAN) refinement in Stage~II. SDM significantly outperformed Pix2Pix in morphological metrics, including MAE (19.85 vs. 21.65), SSIM (0.28 vs. 0.24), and mIoU (0.43 vs. 0.29), whereas Pix2Pix yielded better perceptual point estimates (LPIPS: 0.17 vs. 0.19; FID: 0.32 vs. 0.37; KID: 0.25 vs. 0.48). Conclusion: Training paired generative models with physics-based supervision enables approximation of CT-derived ray-casting outputs at inference time directly from semantic labels. Although the pipeline does not require patient-specific CT volumes at inference time, CT-derived segmentations and ray-casting simulations remain necessary to train Stage~I. Once trained, the framework enables controllable healthy and pathological simulations through semantic-map modification.
• Abstract（参考訳）: 目的: 腹部超音波(US)シミュレーション法では, 線量, 変形の制限, 病理学の多様性についてCTベースの解剖学的基準を必要とすることが多い。 セマンティックラベルからCTスキャンから抽出した物理画像を予測するための学習ベースパイプラインを提案する。 方法: 簡易なUS画像を通して解剖学的セグメンテーションをリアルなUS画像にマッピングする2段階パイプラインを導入する。 Stage~Iは、CTベースのレイキャスト出力に基づいて訓練されたモデルを用いて、セマンティックラベルからこの画像を合成する。 Stage~IIは、解剖学的にガイドされていない翻訳を使って、それをリアルなUSスキャンに洗練する。 変形と病理は解剖図の編集によって生成される。 結果: Pix2PixおよびSemantic Diffusion Model (SDM) in Stage~I, 次に segmentation-guided CycleGAN (SG-CycleGAN) refinement in Stage~II。 SDM は MAE (19.85 vs. 21.65)、SSIM (0.28 vs. 0.24)、mIoU (0.43 vs. 0.29) などの形態学的指標においてPix2Pix を著しく上回り、Pix2Pix は知覚点推定に優れていた(LPIPS: 0.17 vs. 0.19; FID: 0.32 vs. 0.37; KID: 0.25 vs. 0.48)。 結論: 物理に基づく教師付きペア生成モデルの訓練により, セマンティックラベルから直接, 推論時にCT由来のレイキャスト出力を近似することができる。 パイプラインは患者固有のCTボリュームを必要としないが、CT由来のセグメンテーションとレイキャストシミュレーションはStage〜Iの訓練に必要である。 トレーニングが完了すると、このフレームワークはセマンティックマップの修正を通じて、コントロール可能な健全で病理学的なシミュレーションを可能にする。

関連論文リスト

• T-Gated Adapter: A Lightweight Temporal Adapter for Vision-Language Medical Segmentation [0.0]
  医用画像のセグメンテーションは伝統的に完全に監督された3Dアーキテクチャに依存している。 本稿では,隣接スライスコンテキストを直接モデルの視覚的トークン表現に注入することで,この問題に対処する時間的アダプタを提案する。 腹部13臓器の平均Diceは0.704で, 時間的文脈を伴わないベースラインVLMでは+0.206であった。
  論文  参考訳（メタデータ） (2026-04-09T12:27:50Z)
• ViCTr: Vital Consistency Transfer for Pathology Aware Image Synthesis [0.715632820500919]
  既存の方法は、病理学的特徴を正確にモデル化しながら、解剖学的忠実さを維持するのに苦労する。 ViCTrは、修正フロー軌跡とTweedie補正拡散プロセスを組み合わせて、高忠実で病理学的な画像合成を実現する新しい2段階のフレームワークである。 我々の知る限り、ViCTrは、厳密度制御による細粒度で病理に配慮したMRI合成を提供するための最初の方法である。
  論文  参考訳（メタデータ） (2025-05-08T05:44:16Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer for CT Scans [2.3682456328966115]
  我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。 まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。 そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T16:59:05Z)
• 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)
• 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)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。