論文の概要: GliomaINK: A Tumor and Anatomy Conditioned Flow Matching Framework for 3D MRI Sequence Synthesis in Glioma Patients

• arxiv url: http://arxiv.org/abs/2610.24044v1
• Date: Fri, 16 Oct 2026 15:09:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:28:49.479867
• Title: GliomaINK: A Tumor and Anatomy Conditioned Flow Matching Framework for 3D MRI Sequence Synthesis in Glioma Patients
• Title（参考訳）: GliomaINK : グリオーマ患者の3次元MRIシークエンス合成のための腫瘍と解剖学的条件付きフローマッチングフレームワーク
• Abstract要約: 生成モデルは欠如したMRI配列を合成することができるが、解剖学的構造と臨床的に関連する腫瘍の特徴は保存が困難である。 GliomaINKは解剖学的に誘導された3次元脳MRI合成のための条件流マッチングフレームワークである。
• 参考スコア（独自算出の注目度）: 12.168374910250572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Incomplete multiparametric MR examinations limit glioma characterization and downstream AI tools. Generative models can synthesize missing MRI sequences, but anatomical structure and clinically relevant tumor features are challenging to preserve. We propose GliomaINK, an anatomy-guided conditional flow matching framework for cross-sequence 3D brain MRI synthesis. Methods: A 3D SwinUNETR predicted the conditional velocity field while an auxiliary topology-preserving loss encouraged structural consistency. The model was trained on 1,083 patients from the BraTS-AG dataset and independently tested on an in-house clinical cohort. Downstream tasks include image quality, tumor segmentation, IDH1 mutation-status prediction, and overall survival prediction. Two radiologists independently evaluated the anatomical fidelity, pathological representation, and overall image quality of the synthesized images. Results: GliomaINK exhibited the highest PSNR across all six MRI translation directions in both evaluation cohorts. In the BraTS-AG test set, the PSNR reached $25.64\pm0.55$ dB for the T2W-to-T1C synthesis, compared with $13.78\pm0.32$ dB for Pix2Pix and $18.90\pm0.53$ dB for SPADE. For downstream tumor segmentation, the method showed strong performance across tumor subregions with Dice scores reaching $0.928\pm0.014$ for edema, and $0.885\pm0.040$ for enhancing tumor. For the IDH1 mutation-status prediction, GliomaINK achieved the highest AUROC score in four of the six sequence configurations, reaching $0.827\pm0.088$. Conclusion: Anatomy-guided conditional flow matching enables high-fidelity cross-sequence glioma MRI synthesis demonstrating potential for preservation of clinically relevant information in synthesized MRI and improving downstream tasks.
• Abstract（参考訳）: 背景: 不完全なマルチパラメトリックMR検査はグリオーマの特徴と下流AIツールを制限する。 生成モデルは欠如したMRI配列を合成することができるが、解剖学的構造と臨床的に関連する腫瘍の特徴は保存が困難である。 GliomaINKは解剖学的に誘導された3次元脳MRI合成のための条件流マッチングフレームワークである。 方法: 3次元SwinUNETRで条件速度場を予測し, 補助的なトポロジー保存損失により構造的整合性が促進された。 このモデルはBraTS-AGデータセットから1,083人の患者でトレーニングされ、社内臨床コホートで独立にテストされた。 下流のタスクには、画像の品質、腫瘍のセグメンテーション、IDH1変異統計予測、総合生存予測が含まれる。 2人の放射線学者は、合成画像の解剖学的忠実度、病理的表現、および全体像の画質を独立に評価した。 結果: GliomaINKは, いずれの評価コホートにおいても, 6つのMRI翻訳方向で最も高いPSNRを示した。 BraTS-AGテストセットでは、PSNRはT2W-to-T1C合成で25.64 pm0.55$dB、Pix2Pixで13.78 pm0.32$dB、SPADEで18.90 pm0.53$dBに達した。 下流腫瘍セグメンテーションでは,Diceスコアが0.928\pm0.014ドル,0.885\pm0.040ドルであった。 IDH1変異確率予測では、GliomaINKは6つの配列構成のうち4つで最高AUROCスコアを達成し、0.827\pm0.088$に達した。 結語:解剖誘導条件流整合により,高忠実度横行性グリオーマMRI合成が可能となり,合成MRIにおける臨床関連情報を保存し,下流作業を改善する可能性が示された。

関連論文リスト

• Generalizable fetal brain biometry via adaptive artificial intelligence [40.5130281667465]
  BioTTAは、バックボーンに依存しない、ソース無しで教師なしなテスト時間適応フレームワークである。 トレーニング済みのモデルを、個別のラベルなしのターゲットボリュームにオンラインで適応させる。 正確な、一般化可能な胎児脳のバイオメトリーと、出生前脳の成長評価の標準化をサポートする。
  論文  参考訳（メタデータ） (2026-10-11T13:39:48Z)
• SAMI3D-DW: Interactive Segmentation of Any 3D Medical Images [41.76270845556824]
  SAMI3D-DWは、Deepwiseの大規模プロプライエタリな医療画像データセットに基づいてトレーニングされたインタラクティブな3Dセグメンテーションモデルである。 219のソースデータセットから4,326のケースからなるCT/MRベンチマークを用いて,ユーザインタラクションのシミュレーションによるモデルの評価を行った。 放射線医や臨床医にとって、SAMI3D-DWは、CT上の頭蓋内血管木やMR血管造影などの複雑な解剖学的構造を数クリックで分割することができる。
  論文  参考訳（メタデータ） (2026-09-22T06:25:11Z)
• Spatio-Temporal Mixture-of-Modality-Experts Diffusion for Quantitative DCE-MRI Synthesis from Incomplete MR Sequences [2.4827516038838064]
  ST-MoMEは様々なサブセットから3次元DCEパラメータマップを合成する条件拡散フレームワークである。 3DパッチベースのトレーニングとSwinベースのバックボーンで、画像空間で直接拡散を行う。 正常化平均角誤差(NMSE)は,3つのDCEパラメータすべてで集計され,$v_p$および$v_e$での先行成績,$Kmathrmtrans$での競合成績,臨床的に重要な腫瘍領域における最小再構成誤差を達成している。
  論文  参考訳（メタデータ） (2026-06-24T08:10:27Z)
• A Systematic Benchmark of Intraoperative Ultrasound-to-MR Synthesis for Brain Tumour Surgery [0.0]
  術中超音波(ioUS)は脳腫瘍手術において多彩で費用対効果が高い。 以前の作業のほとんどは、単一のアーキテクチャを独立して評価しています。 アーキテクチャパラダイム、推論規則、ダウンストリームタスクエンドポイントにまたがるベンチマークはない。
  論文  参考訳（メタデータ） (2026-05-30T09:05:24Z)
• seg2med: a bridge from artificial anatomy to multimodal medical images [5.92914320764123]
  seg2medは解剖学駆動型マルチモーダル医用画像合成のためのフレームワークである。 解剖学的マップは、実際の患者データ、XCATデジタルファントム、および複数の患者の臓器を組み合わせた合成解剖の3つの源から独立に派生している。 このフレームワークは、実データと比較して、CTで0.94、MRで0.89、CTで0.78のSSIMを実現する。
  論文  参考訳（メタデータ） (2025-04-12T11:32:32Z)
• BrainMRDiff: A Diffusion Model for Anatomically Consistent Brain MRI Synthesis [11.73947657846282]
  BrainMRDiffは、脳MRIのための新しいトポロジー保存、解剖学的誘導拡散モデルである。 これを実現するために,腫瘍+構造凝集(TSA)とトポロジーガイド解剖保存(TGAP)の2つの重要なモジュールを紹介した。 TSAは様々な解剖学的構造と腫瘍情報を統合し、拡散過程の包括的な条件付け機構を形成する。 BrainMRDiffは既存のベースラインを超え、BraTS-AGデータセットで23.33%、BraTS-Metデータセットで33.33%のパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2025-04-06T16:16:50Z)
• 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)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)

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。