論文の概要: MATS: A Multi-Agent Framework for Controllable and Reflective Tumor Synthesis

• arxiv url: http://arxiv.org/abs/2610.41159v1
• Date: Fri, 30 Oct 2026 02:34:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.591585
• Title: MATS: A Multi-Agent Framework for Controllable and Reflective Tumor Synthesis
• Title（参考訳）: MATS: 可制御・反射性腫瘍合成のための多エージェントフレームワーク
• Abstract要約: 本報告では, テキスト制御可能な組織間腫瘍合成のためのフレームワークMATSについて述べる。 標的疾患が与えられたとき、MATSはまず、粒度の細かい属性空間上の形態分布をプロファイルする。 その後、標的臓器を局在させ、解剖学的に有効な配置を提案し、2段階の拡散を行い、腫瘍マスクを生成し、テクスチャをレンダリングする。
• 参考スコア（独自算出の注目度）: 34.66242703562184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizing realistic tumors on medical images helps address data scarcity for clinical AI. Existing diffusion-based methods, however, lack fine-grained attribute-level controllability, closed-loop quality verification, and awareness of which morphological patterns are underrepresented in the target distribution. We present MATS, a multi-agent framework for text-controllable, cross-organ tumor synthesis. Given a target disease, MATS first profiles its morphological distribution over a fine-grained attribute space covering tumor geometry and appearance, and constructs a generation plan that amplifies underrepresented subtypes while keeping common ones dominant. It then localizes the target organ, proposes anatomically valid placement, and executes two-stage diffusion to produce the tumor mask and render texture, each conditioned on the corresponding attributes. A closed-loop reflective mechanism verifies attribute alignment at three checkpoints throughout synthesis and provides targeted feedback to guide re-generation when misalignment is detected. Trained exclusively on a single-source pancreatic neuroendocrine tumor dataset, MATS consistently improves downstream segmentation both in-domain and across LiTS, KiTS, and MSD-Pancreas benchmarks, whereas most prior generative augmentation methods fall below real-only training.
• Abstract（参考訳）: 医療画像に現実的な腫瘍を合成することは、臨床AIのデータ不足に対処するのに役立つ。 しかし、既存の拡散法では、微粒な属性レベルの制御性、クローズドループ品質検証、およびターゲット分布において形態的パターンが不足しているという認識が欠如している。 我々は,テキスト制御可能なクロス有機腫瘍合成のためのマルチエージェントフレームワークMATSを提案する。 標的疾患が与えられたとき、MATSはまず、腫瘍の形状と外観を包含するきめ細かい属性空間にその形態分布をプロファイルし、共通するものを優位に保ちながら、未表現のサブタイプを増幅する生成計画を構築した。 その後、標的臓器を局在させ、解剖学的に有効な配置を提案し、2段階の拡散を行い、腫瘍マスクを生成し、対応する属性にそれぞれ条件付けされたテクスチャをレンダリングする。 クローズドループ反射機構は、合成を通して3つのチェックポイントでの属性アライメントを検証し、ミスアライメントが検出されたときの再生を誘導するためのターゲットフィードバックを提供する。 単一ソースの膵内分泌腫瘍データセットでのみトレーニングされたMATSは、ドメイン内およびLiTS、KiTS、MSD-Pancreasベンチマーク間の下流セグメンテーションを一貫して改善する。

関連論文リスト

• SGRNet: Spatially Guided Radiology Network for Structured Radiological Reporting of Head and Neck Cancer [9.870008815300443]
  標準のフリーテキスト生成モデルは、密度の高い領域でリスクを引き起こし、データの不足の下で失敗する。 局所的な腫瘍の関与を予測し, 報告生成を解剖学的基盤, マルチラベル, 構造化された報告タスクとして再検討した。 SGRNetの平均精度(mAP)は0.60であり、音量のみの強力な3Dベースラインよりも8.8ポイントの絶対的な改善である。
  論文  参考訳（メタデータ） (2026-08-29T09:01:52Z)
• MIRAGE: Multi-scale Lesion-Informed Representation with Auxiliary Guidance for MRI Contrast Enhancement [7.375452467540828]
  我々は,大域的再建と知覚的損失を3種類の病変認識監視と組み合わせた残存2次元U-NetであるMIRAGEを紹介する。 マルチ中心MAMA-SYNTHデータから, 8つの補完画像, 領域, 放射能, セグメンテーションに基づく測定値を用いて, 301症例について評価を行った。
  論文  参考訳（メタデータ） (2026-07-21T14:26:59Z)
• 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)
• TwinPurify: Purifying gene expression data to reveal tumor-intrinsic transcriptional programs via self-supervised learning [4.742294289533828]
  本稿では,Barlow Twinsの自己指導目的に適応する表現学習フレームワークであるTwinPurifyを紹介する。 バルク混合物を個別の細胞型分画に分解する代わりに、TwinPurifyは連続した高次元の腫瘍の埋め込みを学習する。
  論文  参考訳（メタデータ） (2026-01-26T16:11:34Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Generate Aligned Anomaly: Region-Guided Few-Shot Anomaly Image-Mask Pair Synthesis for Industrial Inspection [53.137651284042434]
  異常検査は製造業において重要な役割を担っているが、異常サンプルの不足は既存の方法の有効性を制限している。 本稿では,GAA (Generate grained Anomaly) を提案する。 GAAは少数のサンプルのみを用いて現実的で多様で意味的に整合した異常を発生させる。
  論文  参考訳（メタデータ） (2025-07-13T12:56:59Z)
• BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification [0.6840587119863303]
  我々は,脳腫瘍のセグメンテーションと分類タスクのためのデータセットであるBRISCを紹介し,高分解能セグメンテーションマスクを特徴とする。 データセットは6000のコントラスト強化T1強調MRIスキャンで構成され、セグメンテーションラベルを欠いた複数の公開データセットから照合された。 悪性腫瘍としてはグリオーマ、髄膜腫、下垂体腫瘍の3種類と非腫瘍の3種類がある。
  論文  参考訳（メタデータ） (2025-06-17T08:56:05Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Bilateral Asymmetry Guided Counterfactual Generating Network for Mammogram Classification [48.4619620405991]
  画像レベルのラベルのみによるマンモグラムの良性や悪性の分類は,病変アノテーションが欠如しているため困難である。 画像に病変がなければ, 特徴がどのように振る舞うかという, 反現実的な問題を探ることができる。 我々は、対称的先行性に基づく反事実生成のための新しい理論的結果を得る。
  論文  参考訳（メタデータ） (2020-09-30T03:15:30Z)

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。