論文の概要: Conditional Diffusion-Based Generation of T2-Weighted Prostate MRI for Clinically Significant Prostate Cancer Classification
- arxiv url: http://arxiv.org/abs/2611.02197v2
- Date: Tue, 03 Nov 2026 20:59:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.674518
- Title: Conditional Diffusion-Based Generation of T2-Weighted Prostate MRI for Clinically Significant Prostate Cancer Classification
- Title（参考訳）: 臨床的に有意な前立腺癌分類のためのT2強調前立腺MRIの条件拡散による生成
- Abstract要約: 我々は,MAISI-v2をcsPCaクラスで拡張するT2W前立腺MRIの条件生成モデルを構築した。
モデルではT2WMRIの忠実度が向上し,合成画像はデータ制約下でのcsPCa分類を改善した。
- 参考スコア（独自算出の注目度）: 33.72751145910978
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Scarce and unrepresentative training data limit the performance of prostate MRI prediction models. Synthetic T2-weighted (T2W) MRI may augment training data containing clinically significant prostate cancer (csPCa) and transition zone (TZ) lesions. In this retrospective, single-center, ethics-committee-approved study, we developed a conditional generative model for T2W prostate MRI extending MAISI-v2 with csPCa class, zonal, and lesion-mask-guided conditioning, incorporating a relative advantage weighted loss fine-tuned on 1,303 patients (1,654 lesions). Fidelity was assessed by incremental ablation, and downstream utility was evaluated with T2W-based csPCa classifiers across five simulated training-data scenarios, each testing 18 synthetic-data configurations. The proposed model reduced Fréchet inception distance (FID) from 13.28 (pretrained MAISI-v2) to $2.04 \pm 0.06$ internally (PI-CAI: $3.83 \pm 0.51$). Synthetic augmentation significantly increased AUC in all five scenarios (+0.027 to +0.088; adjusted $p = 0.016$--$0.043$), though cross-institutional augmentation of PI-CAI yielded a non-significant gain (+0.013; $p = 0.397$). Overall, our model improved T2W MRI fidelity, and synthetic images improved csPCa classification under simulated data constraints, although benefit did not transfer significantly across institutions.
- Abstract（参考訳）: 前立腺MRIの予測モデルの性能を制限する。
合成T2強調MRI(T2W)は臨床上重要な前立腺癌(csPCa)と転移帯(TZ)病変を含む訓練データを増強する可能性がある。
本研究は,1,303例(1,654例)を対象に,MAISI-v2をcsPCaクラスで拡張したT2W前立腺MRIの条件生成モデルを構築した。
インクリメンタルアブレーションにより忠実度を評価し,5つの模擬トレーニングデータシナリオにわたるT2WベースのcsPCa分類器を用いて下流ユーティリティを評価し,それぞれ18種類の合成データ構成を試験した。
提案されたモデルではフレシェ開始距離 (FID) が13.28 (MAISI-v2) から2.04 \pm 0.06$ (PI-CAI: $3.83 \pm 0.51$) に短縮された。
合成増強は5つのシナリオ(+0.027 to +0.088; adjusted $p = 0.016$--$0.043$)でAUCを著しく増加させたが、PI-CAIのクロス構造増強は非有意な利得(+0.013; $p = 0.397$)を得た。
シミュレーションデータ制約下では,T2WMRIの忠実度が向上し,合成画像ではcsPCa分類が改善したが,施設間では有意差は認められなかった。
関連論文リスト
- GliomaINK: A Tumor and Anatomy Conditioned Flow Matching Framework for 3D MRI Sequence Synthesis in Glioma Patients [12.168374910250572]
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。
論文 参考訳（メタデータ） (2026-10-16T15:09:12Z) - 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) - Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging [21.25110830915782]
解剖学的に制約された結節指向CT合成および多ソースコホートを統一した拡張フレームワークであるNodMAISIを導入する。
6つの公開試験データセットの中で、NodMAISIはMAISI-v2(実合成FID範囲 1.18 対 2.99 対 1.69 対 5.21)に対する分布の忠実度を改善した。
NodMAISIはAUCを0.07から0.11に改善し、臨床データは20%で0.12から0.21に改善した。
論文 参考訳（メタデータ） (2025-12-19T20:11:30Z) - Synthesizing Accurate and Realistic T1-weighted Contrast-Enhanced MR Images using Posterior-Mean Rectified Flow [3.024548464833694]
造影強調(CE) T1強調MRIは神経腫瘍診断の中心であるが、ガドリニウムをベースとした薬剤が必要である。
非コントラスト入力からCE脳MRIを合成するための2段階後平均整流パイプラインを提案する。
論文 参考訳（メタデータ） (2025-08-18T05:55:57Z) - Mitigating Multi-Sequence 3D Prostate MRI Data Scarcity through Domain Adaptation using Locally-Trained Latent Diffusion Models for Prostate Cancer Detection [1.6508709227918446]
潜在拡散モデル(LDM)は、医療画像解釈のための機械学習開発に影響を与えるデータの不足を軽減できる。
CCELLA++は,これらの限界に対処し,臨床的有用性を向上させる。
論文 参考訳（メタデータ） (2025-07-08T20:38:10Z) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳（メタデータ） (2023-08-24T15:32:27Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-06T20:20:22Z)
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。