論文の概要: MOSAIC-Flow: Orthogonal-Axis and Status-Conditioned Fusion for Missing-Sequence Completion in Brain Tumor MRI
- arxiv url: http://arxiv.org/abs/2610.39534v1
- Date: Thu, 29 Oct 2026 07:31:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 23:30:36.760225
- Title: MOSAIC-Flow: Orthogonal-Axis and Status-Conditioned Fusion for Missing-Sequence Completion in Brain Tumor MRI
- Title（参考訳）: MOSAIC- flow: Orthogonal-Axis and status-conditioned Fusion for Missing-Sequence Completion in Brain tumor MRI
- Abstract要約: クロスモーダル融合は、配列特異的なコントラストを曖昧にし、きめ細かい3次元の腫瘍の詳細を失う可能性がある。
モザイクフロー(MOSAIC-Flow)のためのモード対応直交軸状態条件付適応統合(Modality-Aware Orthogonal-axis Status- Conditioned Attentive Integration for Completion)を提案する。
状態条件付きプロトタイプ融合は、プールドクエリのルーティングと変調にコンパクトなモダリティとアベイラビリティトークンを使用する。
- 参考スコア（独自算出の注目度）: 45.38753141567654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Missing-sequence completion is important for comprehensive brain tumor characterization, but cross-modal fusion can obscure sequence-specific contrast and lose fine-grained three-dimensional tumor detail. To address this challenge, we introduce Modality-aware Orthogonal-axis Status-conditioned Attentive Integration for Completion (MOSAIC-Flow), a unified framework for missing-sequence completion that learns a target-conditioned velocity field while keeping the seven acquired volumes fixed throughout the transport. Specifically, modality-aware stems independently encode each sequence, and orthogonal-axis refinement captures axial, coronal, and sagittal dependencies while retaining the three-dimensional representation. Status-conditioned prototype fusion uses compact modality and availability tokens to route and modulate pooled queries from the fused visual representation, enabling target-adaptive conditioning without dense voxel-to-voxel attention. A conditional flow matching objective transports target-channel noise toward the single missing sequence, while four Heun trajectories are averaged to produce the completion. Evaluation across structural, diffusion, and contrast-enhanced MRI in UCSF-PDGM demonstrates consistent whole-brain and tumor-region fidelity across all eight single-target completion tasks, with the strongest performance on structural sequences. Code is available at https://github.com/CUHK-AIM-Group/MOSAIC-FLOW.
- Abstract（参考訳）: 欠行配列の完成は脳腫瘍の包括的特徴付けに重要であるが、クロスモーダル融合は配列特異的なコントラストを曖昧にし、微細な3次元腫瘍の細部が失われる可能性がある。
この課題に対処するために,モダリティを意識した直交軸状態条件付コンプリート統合(MOSAIC-Flow)を導入する。これは,移動路全体にわたって固定された7つのボリュームを維持しながら,目標条件付速度場を学習する,欠落シーケンス補完のための統合フレームワークである。
具体的には、モダリティ認識は各配列を独立にエンコードし、直交軸補正は3次元表現を維持しながら軸、コロナ、矢状依存性を捉えている。
現状条件付きプロトタイプ融合は、コンパクトなモダリティとアベイラビリティトークンを使用して、融合した視覚表現からプールドクエリをルーティングし、変調し、密度の高いボクセルとボクセルの注意を払わずにターゲット適応型条件付けを可能にする。
条件流マッチング対象は、目標チャネルノイズを単一欠落シーケンスへ移動させ、4つのフン軌道を平均して完了を生成する。
UCSF-PDGMにおける構造的, 拡散的, 造影MRIによる評価は, 8つの単一目標完了タスクのすべてに一貫した脳と腫瘍領域の忠実度を示し, 構造的配列上での最大のパフォーマンスを示した。
コードはhttps://github.com/CUHK-AIM-Group/MOSAIC-FLOWで公開されている。
関連論文リスト
- LASSNet: Level-Aware Availability-Conditioned Spatial-Semantic Fusion for Brain Tumor Segmentation with Missing MRI Modalities [5.201957897437079]
高解像度の側方特徴は空間的詳細を保ち、圧縮されたボトルネック特徴は意味論とモダリティ間コンテキストを符号化する。
本稿では,2つのレベル特化モジュールを含むLASSNet(Level-Aware Availability-Conditioned Space-Semantic Fusion Network)を提案する。
論文 参考訳（メタデータ） (2026-09-06T17:12:43Z) - VoxStruct3D: Structure-Leading Flow Matching for Voxel-Space 3D MRI Synthesis [33.836541706312055]
高忠実度3D MRI合成には、大域的なコヒーレントな解剖学と微細なボクセルレベルの詳細が必要である。
フル解像度MRIボリュームを直接モデル化するボクセル空間フローマッチングフレームワークであるVoxStruct3Dを提案する。
病理学的および健康的なT1強調脳MRIデータセットの実験では、VoxStruct3Dが全体的なパフォーマンスが最も高いことが示されている。
論文 参考訳（メタデータ） (2026-08-05T07:51:35Z) - AdaSurvMamba: Dynamic Fusion and Semantic Scanning for Multimodal Survival Analysis [57.942670844512016]
我々はAdaSurvMambaをマルチモーダルサバイバル分析の新しい適応フレームワークとして紹介する。
このフレームワークは、クロスモーダル相互作用強度を動的に変調するDual-Scale Importance-Aware Reconstruction (DSIR)モジュールを備えている。
5つのTCGAコホートに対する実験は、既存の方法よりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-06-28T11:36:31Z) - 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) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。
CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
論文 参考訳（メタデータ） (2026-02-20T18:05:39Z) - Scalable Diffusion Transformer for Conditional 4D fMRI Synthesis [13.638452834334982]
ボクセルリーな4次元fMRI条件生成のための第1次拡散変換器を提案する。
タスクfMRIでは,タスク駆動のアクティベーションマップを再現し,タスク間表現構造を保存し,完全な条件特異性を実現する。
スケールによって性能が向上し、タスク誘発マップの0.83とRSAの0.98に到達した。
論文 参考訳（メタデータ） (2025-11-28T04:18:11Z) - UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。
階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。
我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
論文 参考訳（メタデータ） (2025-09-19T17:29:25Z) - MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。
事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。
最先端の微調整戦略を一貫して上回ります。
論文 参考訳（メタデータ） (2025-09-07T15:22:53Z) - A Novel Unified Conditional Score-based Generative Framework for
Multi-modal Medical Image Completion [54.512440195060584]
我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。
UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。
BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
論文 参考訳（メタデータ） (2022-07-07T16:57:21Z)
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。