論文の概要: TransNSNet: A Transformer-Enhanced Multi-Scale Adversarial Framework for CT-to-PET Image Synthesis

• arxiv url: http://arxiv.org/abs/2610.23325v1
• Date: Fri, 16 Oct 2026 11:28:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.904823
• Title: TransNSNet: A Transformer-Enhanced Multi-Scale Adversarial Framework for CT-to-PET Image Synthesis
• Title（参考訳）: TransNSNet:CT-PET画像合成のためのトランスフォーマー強化マルチスケール対応フレームワーク
• Abstract要約: 本研究では,Transformer-enhanced multi-scale adversarial frameworkであるTransNSNetを用いてCT-to-PET画像合成を行う。 一般の非小細胞肺癌(NSCLC)ラジオゲノミクスコレクションからCT-PETデータセットを採取した。
• 参考スコア（独自算出の注目度）: 1.0209273448641045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study investigates CT-to-PET image synthesis using TransNSNet, a Transformer-enhanced multi-scale adversarial framework. A paired CT-PET dataset was curated from the public non-small cell lung cancer (NSCLC) Radiogenomics collection through patient screening, slice-level matching, preprocessing, and patient-level train-test separation. The proposed framework generates PET-like predictions at multiple spatial scales and applies coarse-to-fine reconstruction supervision, while TransPatchGAN introduces contextual feature interaction into adversarial evaluation. A progressive ablation study compares Pix2Pix, NSNet-Base, NSNet-D, and TransNSNet. Image-level performance was summarized over a fixed convergence window (epochs 80-101) from one training run per model. TransNSNet achieved the best mean value in nine of ten metrics, whereas NSNet-Base achieved the highest visual saliency-induced index. For fixed-fraction high-intensity regions, NSNet-D was marginally higher in slice-level recall and balanced accuracy, but the equal-weight patient-level values were nearly identical and the highest Dice values shifted to TransNSNet. These differences were small relative to between-patient variability. In the separate adaptive patient-level analysis (n=10), no pairwise model difference remained statistically significant after Holm correction. TransNSNet also had a substantially smaller parameter footprint than the original next-scale models. These findings indicate promising image-quality trends, but they do not establish statistical superiority or clinical validity; synthesized PET-like images should not be interpreted as substitutes for clinically acquired PET.
• Abstract（参考訳）: 本研究では,Transformer-enhanced multi-scale adversarial frameworkであるTransNSNetを用いてCT-to-PET画像合成を行う。 患者検診,スライスレベルマッチング,前処理,および患者検診分離により,一般の非小細胞肺癌(NSCLC)ラジオゲノミクスからCT-PETデータセットを採取した。 提案フレームワークは,複数の空間スケールでPET様の予測を生成し,粗大な再構成管理を適用し,TransPatchGANは文脈的特徴の相互作用を逆評価に導入する。 プログレッシブアブレーションによる研究では、Pix2Pix、NSNet-Base、NSNet-D、TransNSNetを比較している。 画像レベルのパフォーマンスは、モデル毎に1つのトレーニング実行から固定収束ウィンドウ(エポック80-101)上で要約された。 TransNSNetは10の指標のうち9つの指標で最高の平均値を達成したが、NSNet-Baseは最も高い視覚塩分濃度誘導指数を達成した。 固定屈折高強度領域では、NSNet-Dはスライスレベルのリコールとバランスの取れた精度が極端に高かったが、同程度の患者レベル値はほぼ同一であり、最も高いDice値はTransNSNetに移行した。 これらの差異は患者間の変動に対して小さいものであった。 適応型患者レベル別 (n=10) では, ホルム補正後のモデル差は統計的に有意差は認められなかった。 TransNSNetは元々の次世代モデルよりもパラメータフットプリントがかなり小さい。 これらの結果から, 画像品質の有望な傾向を示すが, 統計的優位性や臨床的妥当性は確認されていない。

関連論文リスト

• Benchmarking CNN-based Models against Transformer-based Models for Abdominal Multi-Organ Segmentation on the RATIC Dataset [3.428885759047836]
  腹部CT検査における多臓器分画は, 診断・治療に不可欠である。 トランスフォーマーベースのアーキテクチャは、長距離依存関係をモデル化する能力により、最近注目を集めている。 本研究では,UNETR,SwinUNETR,UNETR++の3つのハイブリッドトランスフォーマーベースモデルと,強力なCNNベースラインであるSegResNetを比較検討した。
  論文  参考訳（メタデータ） (2026-03-19T08:35:11Z)
• Lesion Segmentation in FDG-PET/CT Using Swin Transformer U-Net 3D: A Robust Deep Learning Framework [0.0]
  本稿ではPET/CTスキャンにおける病変分割のためのスウィントランスフォーマーUNet3D(SwinUNet3D)フレームワークを提案する。 シフトしたウィンドウ自己アテンションとU-Netスタイルのスキップ接続を組み合わせることで、このモデルはグローバルコンテキストと微妙な解剖学的詳細の両方をキャプチャする。 結果は、SwinUNet3DがDiceスコア0.88とIoU0.78を達成し、3D U-Net(Dice 0.48,IoU 0.32)を突破し、推論時間を短縮したことを示している。
  論文  参考訳（メタデータ） (2026-01-06T09:52:00Z)
• Efficient Parameter Adaptation for Multi-Modal Medical Image Segmentation and Prognosis [4.5445892770974154]
  変圧器ベースセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応(PEMMA)フレームワークを提案する。 本手法は初期核融合に匹敵する性能を示すが、トレーニング可能なパラメータの8%しか持たず、単一モードで訓練した場合のPETスキャンにおけるDiceスコアが28%向上したことを示す。
  論文  参考訳（メタデータ） (2025-04-18T11:52:21Z)
• From FDG to PSMA: A Hitchhiker's Guide to Multitracer, Multicenter Lesion Segmentation in PET/CT Imaging [0.9384264274298444]
  本稿では,ResEncL アーキテクチャを用いた nnU-Net フレームワークを用いたマルチトラス,マルチセンタの一般化を目的とした AutoPET III チャレンジの解決策を提案する。 主なテクニックは、CT、MR、PETデータセット間での誤調整データ拡張とマルチモーダル事前トレーニングである。 Diceスコアが57.61となったデフォルトのnnU-Netと比較して、Diceスコアが68.40であり、偽陽性(FPvol: 7.82)と偽陰性(FNvol: 10.35)が減少している。
  論文  参考訳（メタデータ） (2024-09-14T16:39:17Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• nnFormer: Interleaved Transformer for Volumetric Segmentation [50.10441845967601]
  本稿では,自己意図と畳み込みを実証的に組み合わせた,インターリーブアーキテクチャを備えた強力なセグメンテーションモデルであるnnFormerを紹介する。 nnFormerは、SynapseとACDCの2つの一般的なデータセットで、以前のTransformerベースのメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2021-09-07T17:08:24Z)

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。